KR20230150296A - Conversion device, prediction model production device, conversion information production method, prediction model production method, and program - Google Patents
Conversion device, prediction model production device, conversion information production method, prediction model production method, and program Download PDFInfo
- Publication number
- KR20230150296A KR20230150296A KR1020237029243A KR20237029243A KR20230150296A KR 20230150296 A KR20230150296 A KR 20230150296A KR 1020237029243 A KR1020237029243 A KR 1020237029243A KR 20237029243 A KR20237029243 A KR 20237029243A KR 20230150296 A KR20230150296 A KR 20230150296A
- Authority
- KR
- South Korea
- Prior art keywords
- output
- response
- prediction model
- gas detection
- information
- Prior art date
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 171
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 85
- 230000004044 response Effects 0.000 claims abstract description 260
- 238000001514 detection method Methods 0.000 claims abstract description 163
- 102000012547 Olfactory receptors Human genes 0.000 claims abstract description 139
- 108050002069 Olfactory receptors Proteins 0.000 claims abstract description 139
- 230000006870 function Effects 0.000 claims description 104
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 15
- 102000005962 receptors Human genes 0.000 claims description 9
- 108020003175 receptors Proteins 0.000 claims description 9
- 238000012067 mathematical method Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 abstract description 144
- 235000019645 odor Nutrition 0.000 description 102
- 230000004913 activation Effects 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 12
- 239000000126 substance Substances 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 102000039446 nucleic acids Human genes 0.000 description 7
- 108020004707 nucleic acids Proteins 0.000 description 7
- 150000007523 nucleic acids Chemical class 0.000 description 7
- 239000000758 substrate Substances 0.000 description 7
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003834 intracellular effect Effects 0.000 description 4
- 239000002502 liposome Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- 239000000232 Lipid Bilayer Substances 0.000 description 3
- 108010052285 Membrane Proteins Proteins 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 239000011575 calcium Substances 0.000 description 3
- 210000000170 cell membrane Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 102000034287 fluorescent proteins Human genes 0.000 description 3
- 108091006047 fluorescent proteins Proteins 0.000 description 3
- 238000004949 mass spectrometry Methods 0.000 description 3
- 239000002107 nanodisc Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- GWHJZXXIDMPWGX-UHFFFAOYSA-N 1,2,4-trimethylbenzene Chemical compound CC1=CC=C(C)C(C)=C1 GWHJZXXIDMPWGX-UHFFFAOYSA-N 0.000 description 2
- YIWUKEYIRIRTPP-UHFFFAOYSA-N 2-ethylhexan-1-ol Chemical compound CCCCC(CC)CO YIWUKEYIRIRTPP-UHFFFAOYSA-N 0.000 description 2
- CFAKWWQIUFSQFU-UHFFFAOYSA-N 2-hydroxy-3-methylcyclopent-2-en-1-one Chemical compound CC1=C(O)C(=O)CC1 CFAKWWQIUFSQFU-UHFFFAOYSA-N 0.000 description 2
- YQUQWHNMBPIWGK-UHFFFAOYSA-N 4-isopropylphenol Chemical compound CC(C)C1=CC=C(O)C=C1 YQUQWHNMBPIWGK-UHFFFAOYSA-N 0.000 description 2
- 102000005666 Apolipoprotein A-I Human genes 0.000 description 2
- 108010059886 Apolipoprotein A-I Proteins 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000207199 Citrus Species 0.000 description 2
- 241000588724 Escherichia coli Species 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- NBBJYMSMWIIQGU-UHFFFAOYSA-N Propionic aldehyde Chemical compound CCC=O NBBJYMSMWIIQGU-UHFFFAOYSA-N 0.000 description 2
- IOJUPLGTWVMSFF-UHFFFAOYSA-N benzothiazole Chemical compound C1=CC=C2SC=NC2=C1 IOJUPLGTWVMSFF-UHFFFAOYSA-N 0.000 description 2
- XUPYJHCZDLZNFP-UHFFFAOYSA-N butyl butanoate Chemical compound CCCCOC(=O)CCC XUPYJHCZDLZNFP-UHFFFAOYSA-N 0.000 description 2
- VHRGRCVQAFMJIZ-UHFFFAOYSA-N cadaverine Chemical compound NCCCCCN VHRGRCVQAFMJIZ-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002041 carbon nanotube Substances 0.000 description 2
- 229910021393 carbon nanotube Inorganic materials 0.000 description 2
- 235000020971 citrus fruits Nutrition 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- SQNZJJAZBFDUTD-UHFFFAOYSA-N durene Chemical compound CC1=CC(C)=C(C)C=C1C SQNZJJAZBFDUTD-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- AOGQPLXWSUTHQB-UHFFFAOYSA-N hexyl acetate Chemical compound CCCCCCOC(C)=O AOGQPLXWSUTHQB-UHFFFAOYSA-N 0.000 description 2
- PHTQWCKDNZKARW-UHFFFAOYSA-N isoamylol Chemical compound CC(C)CCO PHTQWCKDNZKARW-UHFFFAOYSA-N 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- RLSSMJSEOOYNOY-UHFFFAOYSA-N m-cresol Chemical compound CC1=CC=CC(O)=C1 RLSSMJSEOOYNOY-UHFFFAOYSA-N 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000004094 surface-active agent Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- PSQYTAPXSHCGMF-BQYQJAHWSA-N β-ionone Chemical compound CC(=O)\C=C\C1=C(C)CCCC1(C)C PSQYTAPXSHCGMF-BQYQJAHWSA-N 0.000 description 2
- SFEOKXHPFMOVRM-UHFFFAOYSA-N (+)-(S)-gamma-ionone Natural products CC(=O)C=CC1C(=C)CCCC1(C)C SFEOKXHPFMOVRM-UHFFFAOYSA-N 0.000 description 1
- YHYGSIBXYYKYFB-VOTSOKGWSA-N (2e)-octa-2,7-dien-1-ol Chemical compound OC\C=C\CCCC=C YHYGSIBXYYKYFB-VOTSOKGWSA-N 0.000 description 1
- BSAIUMLZVGUGKX-BQYQJAHWSA-N (E)-non-2-enal Chemical compound CCCCCC\C=C\C=O BSAIUMLZVGUGKX-BQYQJAHWSA-N 0.000 description 1
- BTSIZIIPFNVMHF-ARJAWSKDSA-N (Z)-2-penten-1-ol Chemical compound CC\C=C/CO BTSIZIIPFNVMHF-ARJAWSKDSA-N 0.000 description 1
- 239000001837 2-hydroxy-3-methylcyclopent-2-en-1-one Substances 0.000 description 1
- GOLORTLGFDVFDW-UHFFFAOYSA-N 3-(1h-benzimidazol-2-yl)-7-(diethylamino)chromen-2-one Chemical compound C1=CC=C2NC(C3=CC4=CC=C(C=C4OC3=O)N(CC)CC)=NC2=C1 GOLORTLGFDVFDW-UHFFFAOYSA-N 0.000 description 1
- LOCDPORVFVOGCR-UHFFFAOYSA-N Bis(methylthio)methane Chemical compound CSCSC LOCDPORVFVOGCR-UHFFFAOYSA-N 0.000 description 1
- 101710167800 Capsid assembly scaffolding protein Proteins 0.000 description 1
- 108091006027 G proteins Proteins 0.000 description 1
- 102000030782 GTP binding Human genes 0.000 description 1
- 108091000058 GTP-Binding Proteins 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 101710130420 Probable capsid assembly scaffolding protein Proteins 0.000 description 1
- 101710204410 Scaffold protein Proteins 0.000 description 1
- 102000030621 adenylate cyclase Human genes 0.000 description 1
- 108060000200 adenylate cyclase Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- XAPCMTMQBXLDBB-UHFFFAOYSA-N butanoic acid hexyl ester Natural products CCCCCCOC(=O)CCC XAPCMTMQBXLDBB-UHFFFAOYSA-N 0.000 description 1
- ZTQSAGDEMFDKMZ-UHFFFAOYSA-N butyric aldehyde Natural products CCCC=O ZTQSAGDEMFDKMZ-UHFFFAOYSA-N 0.000 description 1
- LHTVMBMETNGEAN-UHFFFAOYSA-N cis-2-penten-1-ol Natural products CCCC=CO LHTVMBMETNGEAN-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- DILOFCBIBDMHAY-UHFFFAOYSA-N methyl 2-(3,4-dimethoxyphenyl)acetate Chemical compound COC(=O)CC1=CC=C(OC)C(OC)=C1 DILOFCBIBDMHAY-UHFFFAOYSA-N 0.000 description 1
- BTSIZIIPFNVMHF-UHFFFAOYSA-N nor-leaf alcohol Natural products CCC=CCO BTSIZIIPFNVMHF-UHFFFAOYSA-N 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 150000003904 phospholipids Chemical class 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 210000003370 receptor cell Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000007928 solubilization Effects 0.000 description 1
- 238000005063 solubilization Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
-
- G01N33/0068—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
- G01N2033/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a computer specifically programmed
Abstract
가스 검출 장치 간의 상관을 취할 수 있는 변환 장치, 예측 모델 제작 장치, 변환 정보 제작 방법, 예측 모델 제작 방법, 및 프로그램을 제공하는 것. 소정의 냄새 분자에 대하여 소정의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 후각 수용체(200)의 정량화된 데이터로 변환하는 변환 장치(1)로서, 소정의 냄새 분자에 대하여 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득부(11)와, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 후각 수용체(200)의 응답을 나타내는 응답 정보로 변환하는 변환부(12)와, 변환된 응답 정보를 출력하는 출력부(14)를 구비한다.To provide a conversion device, a prediction model production device, a conversion information production method, a prediction model production method, and a program that can obtain correlation between gas detection devices. A conversion device (1) that converts output information output from a device having a predetermined gas detection function for a predetermined odor molecule into quantified data of the olfactory receptor 200, and has a gas detection function for a predetermined odor molecule. An output information acquisition unit 11 for acquiring output information output from the device, and output information output from the device having a function for detecting multiple gases for each of a plurality of odor molecules are used as explanatory variables, and a plurality of odor molecules are used as explanatory variables. A conversion unit 12 that converts the acquired output information into response information representing the response of the olfactory receptor 200 using a machine-learned prediction model using the response information representing the response of the olfactory receptor 200 to each object as a target variable (12) ) and an output unit 14 that outputs the converted response information.
Description
본 발명은, 변환 장치, 예측 모델 제작 장치, 변환 정보 제작 방법, 예측 모델 제작 방법, 및 프로그램에 관한 것이다.The present invention relates to a conversion device, a prediction model production device, a conversion information production method, a prediction model production method, and a program.
종래, 검출된 가스의 종류에 따라 전기 신호를 출력하는 가스 검출 기능을 갖는 장치가 알려져 있다. 가스 검출 기능을 갖는 장치의 일례로서, 가스 센서가 알려져 있다. 가스 센서는 감지된 가스의 냄새에 따라 전기 신호를 출력한다. 이러한 가스 센서를 이용하여 냄새의 종류를 특정하는 시스템이 제안되어 있다(예를 들면, 특허문헌 1 및 특허문헌 2 참조).Conventionally, devices having a gas detection function that outputs an electric signal depending on the type of detected gas are known. As an example of a device having a gas detection function, a gas sensor is known. The gas sensor outputs an electrical signal according to the odor of the detected gas. A system for specifying the type of odor using such a gas sensor has been proposed (for example, see Patent Document 1 and Patent Document 2).
그런데, 가스 검출 기능을 갖는 장치의 분석 방법으로서 다양한 방법이 존재한다. 따라서, 가스 검출 기능을 갖는 장치들 사이에서 분석 방법이 다를 수 있다. 분석 방법이 다른 가스 검출 기능을 갖는 장치로부터 출력되는 각각의 출력 데이터에 대하여, 서로 상관(相關)을 취하는 것이 어려운 경우가 있다. 예를 들어, 복합 냄새를 분석하는 경우, 서로 상관을 취하기가 어려운 경우가 있다. 따라서, 구형의 가스 검출 기능을 갖는 장치에 의해 취득된 냄새 데이터(전기 신호)의 가치는 가스 검출 기능을 갖는 장치의 진화 또는 변경에 따라 감소해가는 경우가 있었다. 이에 대해, 가스 검출 기능을 갖는 장치간의 상관을 취할 수 있으면 바람직하다.However, various methods exist as analysis methods for devices having a gas detection function. Therefore, analysis methods may differ between devices with gas detection capabilities. It may be difficult to correlate output data output from devices with gas detection functions using different analysis methods. For example, when analyzing complex odors, it may be difficult to correlate them. Therefore, the value of odor data (electrical signals) acquired by an older device with a gas detection function sometimes decreases as the device with a gas detection function evolves or changes. In contrast, it is desirable if correlation between devices having a gas detection function can be obtained.
본 발명은, 소정의 냄새 분자에 대하여 소정의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 변환층 커버로서, 소정의 냄새 분자에 대하여 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득부와, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력신호와 상기 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보에 기초하여, 취득한 출력 정보를 상기 응답 정보로 변환하는 변환부와, 변환된 상기 응답 정보를 출력하는 출력부를 구비하는 변환 장치에 관한 것이다.The present invention is a conversion layer cover that converts output information output from a device having a predetermined gas detection function for a predetermined odor molecule into response information indicating a response of an olfactory receptor, wherein the gas detection function is provided for a predetermined odor molecule. an output information acquisition unit for acquiring output information output from a device having an output signal output from a device having a plurality of gas detection functions for each of a plurality of odor molecules and an olfactory receptor for each of the plurality of odor molecules. It relates to a conversion device including a conversion unit that converts acquired output information into the response information based on response information indicating a response, and an output unit that outputs the converted response information.
본 발명은 상기와 같은 과제를 감안하여 이루어진 것으로, 가스 검출 기능을 갖는 장치간의 상관을 취할 수 있는 변환 장치, 예측 모델 제작 장치, 변환 정보 제작 방법, 예측 모델 제작 방법, 및 프로그램을 제공하는 것을 목적으로 한다.The present invention was made in view of the above problems, and its purpose is to provide a conversion device, a prediction model production device, a conversion information production method, a prediction model production method, and a program that can obtain correlation between devices having a gas detection function. Do it as
또한, 상기 변환부는, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 상기 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 것이 바람직하다.In addition, the conversion unit uses output information output from the plurality of devices having the gas detection function for each of a plurality of odor molecules as an explanatory variable, and at the same time, response information indicating the response of the olfactory receptor to each of the plurality of odor molecules. It is desirable to convert the acquired output information into response information representing the response of the olfactory receptor using a machine-learned prediction model as the target variable.
또한, 상기 변환부는, 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는, 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량(特徵量) 엔지니어링으로 새롭게 제작된 변수를 설명 변수로서 기계 학습된 예측 모델을 이용하는 것이 바람직하다.In addition, the conversion unit may generate a numerical value, function, spatial or time-series indicator, or characteristic quantity calculated using a mathematical, statistical, or machine learning method of the output information output from the device having the gas detection function. It is desirable to use a machine-learned prediction model using newly created variables through engineering as explanatory variables.
또한, 상기 변환부는, 상기 후각 수용체의 응답 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는, 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 제작된 변수를 목적 변수로서 기계 학습된 예상 모델을 이용하는 것이 바람직하다.In addition, the conversion unit aims to convert the response information of the olfactory receptor into a numerical value, function, spatial or time-series index, or variable newly created by feature engineering, calculated using mathematical, statistical, or machine learning methods. It is desirable to use machine-learned prediction models as variables.
또한, 상기 변환부는, 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보의 시계열 데이터 및 특징량 패턴수를 설명 변수로 하고, 복수의 상기 후각 수용체의 응답 정보의 시계열 데이터 및 특징량 패턴수를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 응답 정보로 변환하는 것이 바람직하다.In addition, the conversion unit uses as explanatory variables the time series data and the number of characteristic quantity patterns of output information output from the plurality of devices having the gas detection function, and the time series data and the number of characteristic quantity patterns of the response information of the plurality of olfactory receptors. It is desirable to convert the acquired output information into response information using a machine-learned prediction model as the objective variable.
또한, 상기 변환부는, 복수의 상기 가스 검출 기능을 갖는 장치의 출력 정보의 유무를 설명 변수로서 기계 학습된 예측 모델을 이용하는 것이 바람직하다.In addition, the conversion unit preferably uses a machine-learned prediction model as an explanatory variable for the presence or absence of output information of the plurality of devices having the gas detection function.
또한, 상기 변환부는, 상기 후각 수용체에 포함되는 복수의 수용체의 반응의 유무를 목적 변수로서 기계 학습된 예측 모델을 이용하는 것이 바람직하다.In addition, it is preferable that the conversion unit uses a machine-learned prediction model as a target variable for the presence or absence of responses of a plurality of receptors included in the olfactory receptor.
또한, 상기 변환부는, 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보의 질량 전하 및 강도를 설명 변수로서 기계 학습된 예측 모델을 이용하는 것이 바람직하다.In addition, the conversion unit preferably uses a machine-learned prediction model using the mass charge and intensity of the output information output from the device having the gas detection function as explanatory variables.
또한, 변환 장치는 변환된 응답 정보로부터 소정의 냄새의 특징을 나타내는 문언을 추정하는 추정부를 더 구비하고, 상기 출력부는, 추정된 문언을 출력하는 것이 바람직하다.In addition, the conversion device preferably further includes an estimation unit that estimates a text representing the characteristics of a predetermined smell from the converted response information, and the output unit outputs the estimated text.
또한, 본 발명은, 소정의 냄새 분자에 대한 후각 수용체의 응답을 나타내는 응답 정보를, 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환 장치에 있어서, 소정의 냄새 분자에 대하여 상기 후각 수용체의 응답을 나타내는 응답 정보를 취득하는 응답 정보 취득부와, 복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 상기 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환부와, 변환된 상기 출력 정보를 출력하는 출력부를 구비하는 변환 장치에 관한 것이다.In addition, the present invention relates to a conversion device that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, wherein the olfactory receptor responds to a predetermined odor molecule. a response information acquisition unit that acquires response information indicating a response, and response information indicating a response of the olfactory receptor to each of a plurality of odor molecules as an explanatory variable, and a plurality of gases for each of the plurality of odor molecules. a conversion unit that converts the acquired response information into output information output from the device with a gas detection function, using output information output from the device with a detection function as a target variable and a machine-learned prediction model; It relates to a conversion device having an output unit that outputs output information.
또한, 본 발명은, 소정의 냄새 분자에 대하여 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 예측 모델을 제작하는 예측 모델 제작 장치에 있어서, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득부와, 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 취득하는 목적 변수 취득부와, 취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부를 구비하는 예측 모델 제작 장치에 관한 것이다.In addition, the present invention provides a prediction model production device for producing a prediction model that converts output information output from a device with a gas detection function for a given odor molecule into response information representing the response of the olfactory receptor, comprising: a plurality of odors; An explanatory variable acquisition unit that acquires output information output from a plurality of devices having the gas detection function for each molecule as an explanatory variable, and acquires response information indicating the response of the olfactory receptor to each of the plurality of odor molecules as a target variable. It relates to a prediction model production device comprising a target variable acquisition unit that produces a prediction model by using the acquired explanatory variables and the acquired target variable for machine learning.
또한, 본 발명은, 소정의 냄새 분자에 대하여 후각 수용체의 응답을 나타내는 응답 정보를, 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 예측 모델을 제작하는 예측 모델 제작 장치에 있어서, 복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로서 취득하는 설명 변수 취득부와, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 취득하는 목적 변수 취득부와, 취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써, 예측 모델을 제작하는 예측 모델 제작부를 구비하는 예측 모델 제작 장치에 관한 것이다.In addition, the present invention provides a prediction model production device for producing a prediction model that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, comprising a plurality of An explanatory variable acquisition unit that acquires response information indicating the response of the olfactory receptor to each of the odor molecules as an explanatory variable, and output information output from the device having a plurality of gas detection functions for each of the plurality of odor molecules as a target variable. It relates to a prediction model production device comprising an objective variable acquisition unit that acquires the explanatory variables as and a prediction model production unit that produces a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning.
또한, 본 발명은, 소정의 냄새 분자에 대하여 소정의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하여 변환 정보를 제작하는 변환 정보 제작 방법에 있어서, 소정의 냄새 분자에 대하여 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득 단계와, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 상기 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 상기 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 변환 단계와, 변환된 상기 응답 정보를 변환 정보로서 출력하는 출력 단계를 구비하는 변환 정보 제작 방법에 관한 것이다.In addition, the present invention relates to a conversion information production method for producing conversion information by converting output information output from a device having a predetermined gas detection function for a predetermined odor molecule into response information representing the response of the olfactory receptor, An output information acquisition step of acquiring output information output from the device having the gas detection function for the odor molecules, and an explanatory variable for output information output from the device having the gas detection function for each of the plurality of odor molecules. At the same time, by using a machine-learned prediction model with response information indicating the response of the olfactory receptor to each of the plurality of odor molecules as an objective variable, the acquired output information is response information indicating the response of the olfactory receptor. It relates to a conversion information production method comprising a conversion step of converting the converted response information into conversion information and an output step of outputting the converted response information as conversion information.
또한, 소정의 냄새 분자에 대한 후각 수용체의 응답을 나타내는 응답 정보를, 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하여 변환 정보를 제작하는 변환 정보 제작 방법에 있어서, 소정의 냄새 분자에 대하여 상기 후각 수용체의 응답을 나타내는 응답 정보를 취득하는 응답 정보 취득 단계와, 복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환 단계와, 변환된 상기 응답 정보를 변환 정보로서 출력하는 출력 단계를 구비하는 변환 정보 제작 방법에 관한 것이다.In addition, in the conversion information production method for producing conversion information by converting response information indicating the response of the olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, A response information acquisition step of acquiring response information indicating the response of the olfactory receptor, and at the same time using response information indicating the response of the olfactory receptor to each of the plurality of odor molecules as an explanatory variable, and simultaneously obtaining response information indicating the response of the olfactory receptor to each of the plurality of odor molecules. A conversion step of converting the output information output from the device with the gas detection function into output information output from the device with the gas detection function using a machine-learned prediction model as an objective variable, and converting the acquired response information into output information output from the device with the gas detection function; It relates to a conversion information production method including an output step of outputting the converted response information as conversion information.
또한, 본 발명은 소정의 냄새 분자에 대하여 가스 검출 기능을 갖는 장치로부터의 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 예측 모델을 제작하는 예측 모델 제작 방법에 있어서, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득 단계와, 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적변수로서 취득하는 목적 변수 취득 단계와, 취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작 단계를 구비하는 예측 모델 제작 방법에 관한 것이다.In addition, the present invention relates to a prediction model production method for producing a prediction model that converts output information from a device having a gas detection function for a given odor molecule into response information representing the response of the olfactory receptor, each of a plurality of odor molecules An explanatory variable acquisition step of acquiring output information output from a plurality of devices having the gas detection function as explanatory variables, and a purpose of acquiring response information indicating the response of the olfactory receptor to each of the plurality of odor molecules as a target variable. It relates to a prediction model production method comprising a variable acquisition step and a prediction model production step of producing a prediction model by using the acquired explanatory variables and the acquired target variable for machine learning.
또한, 본 발명은, 소정의 냄새 분자에 대하여 후각 수용체의 응답을 나타내는 응답 정보를, 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 예측 모델을 제작하는 예측 모델 제작 방법에 있어서, 복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로서 취득하는 설명 변수 취득 단계와, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 취득하는 목적 변수 취득 단계와, 취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써, 예측 모델을 제작하는 예측 모델 제작 단계를 구비하는 예측 모델 제작 방법에 관한 것이다.In addition, the present invention provides a prediction model production method for producing a prediction model that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, comprising a plurality of An explanatory variable acquisition step of acquiring response information indicating the response of the olfactory receptor to each of the odor molecules as an explanatory variable, and output information output from the device having a plurality of gas detection functions for each of the plurality of odor molecules as a target variable. It relates to a method of producing a prediction model comprising a step of acquiring an objective variable as acquired and a step of producing a prediction model of producing a prediction model by using the acquired explanatory variables and the acquired target variable for machine learning.
또한, 본 발명은, 소정의 냄새 분자에 대하여 소정의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 변환 장치로서 컴퓨터를 동작시키는 프로그램에 있어서, 상기 컴퓨터를, 소정의 냄새 분자에 대하여 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득부, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 상기 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 변환부, 변환된 상기 응답 정보를 출력하는 출력부로서 기능시키는 프로그램에 관한 것이다.In addition, the present invention relates to a program that operates a computer as a conversion device that converts output information output from a device having a predetermined gas detection function for a predetermined odor molecule into response information indicating a response of an olfactory receptor, the computer comprising: an output information acquisition unit that acquires output information output from the device having the gas detection function for a predetermined odor molecule, and output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules. As an explanatory variable, response information representing the response of the olfactory receptor to each of a plurality of odor molecules is used as an objective variable, and a machine-learned prediction model is used to transform the acquired output information into response information representing the response of the olfactory receptor. It relates to a program that functions as a conversion unit that converts and an output unit that outputs the converted response information.
또한, 본 발명은, 소정의 냄새 분자에 대한 후각 수용체의 응답을 나타내는 응답 정보를, 가스 검출 기능을 가지는 장치로부터 출력되는 출력 정보로 변환하는 변환 장치로서 컴퓨터를 기능 시키는 프로그램에 있어서, 상기 컴퓨터를, 소정의 냄새 분자에 대하여 상기 후각 수용체의 응답을 나타내는 응답 정보를 취득하는 출력 정보 취득부, 복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를, 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환부, 변환된 상기 응답 정보를 출력하는 출력부로서 기능시키는 프로그램에 관한 것이다.Additionally, the present invention relates to a program that causes a computer to function as a conversion device that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, the computer comprising: , an output information acquisition unit that acquires response information indicating the response of the olfactory receptor to a predetermined odor molecule, and response information indicating the response of the olfactory receptor to each of a plurality of odor molecules as an explanatory variable, and a plurality of odor molecules. Using output information output from a device with a plurality of gas detection functions for each odor molecule as a target variable, a machine-learned prediction model is used, and the acquired response information is converted into output information output from the device with a gas detection function. It relates to a program that functions as a conversion unit that converts and an output unit that outputs the converted response information.
또한, 본 발명은, 소정의 냄새 분자에 대하여 가스 검출 기능을 갖는 장치로부터의 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 예측 모델을 제작하는 예측 모델 제작 장치로서 컴퓨터를 기능 시키는 프로그램에 있어서, 상기 컴퓨터를, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득부, 복수의 상기 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 취득하는 목적 변수 취득부, 취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부로서 기능시키는 프로그램에 관한 것이다.In addition, the present invention provides a program that makes the computer function as a prediction model production device for producing a prediction model that converts output information from a device with a gas detection function for a given odor molecule into response information representing the response of the olfactory receptor. An explanatory variable acquisition unit configured to acquire output information output from the plurality of devices having a gas detection function for each of a plurality of odor molecules as an explanatory variable using the computer, and an olfactory receptor for each of the plurality of odor molecules. It relates to a program that functions as an objective variable acquisition unit that acquires response information representing the response as an objective variable, and a prediction model production unit that produces a prediction model by using the acquired explanatory variable and the acquired objective variable for machine learning.
소정의 냄새 분자에 대하여 후각 수용체의 응답을 나타내는 응답 정보를, 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 예측 모델을 제작하는 예측 모델 제작 장치로서 컴퓨터를 기능 시키는 프로그램에 있어서, 상기 컴퓨터를, 복수의 냄새 분자 각각에 대한 상기 후각 수용체의 반응을 나타내는 응답 정보를 설명 변수로서 취득하는 설명 변수 취득부, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 취득하는 목적 변수 취득부, 취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부, 로서 기능 시키는 프로그램.A program that causes the computer to function as a prediction model production device that creates a prediction model that converts response information indicating the response of the olfactory receptor to a given odor molecule into output information output from a device having a gas detection function, the computer comprising: an explanatory variable acquisition unit that acquires response information indicating the reaction of the olfactory receptor to each of a plurality of odor molecules as an explanatory variable, and output information output from a device having a plurality of gas detection functions for each of a plurality of odor molecules. A program that functions as an objective variable acquisition unit that acquires as an objective variable, and a prediction model production unit that produces a prediction model by using the acquired explanatory variable and the acquired objective variable for machine learning.
본 발명에 의하면, 가스 검출 기능을 갖는 장치 간의 상관을 취할 수 있는 변환 장치, 예측 모델 제작 장치, 변환 정보 제작 방법, 예측 모델 제작 방법 및 프로그램을 제공할 수 있다.According to the present invention, it is possible to provide a conversion device, a prediction model production device, a conversion information production method, a prediction model production method, and a program that can obtain correlation between devices having a gas detection function.
도 1은 본 발명의 제1 실시형태에 따른 변환 장치의 구성을 나타내는 블록도이다.
도 2는 제1 실시형태의 변환 장치의 동작을 나타내는 흐름도이다.
도 3은 제1 실시형태의 변환 장치를 이용하여 변환했을 때의 목적 변수의 값과 변환 후의 값과의 상관을 나타내는 그래프의 일례이다.
도 4는 제1 실시형태의 변환 장치를 이용하여 변환했을 때의 목적 변수의 값과 변환 후의 값과의 상관을 나타내는 그래프의 다른 예이다.
도 5는 제1 실시형태의 변환 장치를 이용하여 변환했을 때의 목적 변수의 값과 변환 후의 값과의 상관을 나타내는 그래프의 또 다른 예이다.
도 6은 제1 실시형태의 변환 장치를 이용하여 변환했을 때의 목적 변수의 값과 변환 후의 값의 상관을 나타내는 그래프의 또 다른 예이다.
도 7은 본 발명의 제2 실시형태에 따른 예측 모델 제작 장치를 나타내는 블록도이다.
도 8은 본 발명의 제3 실시형태에 따른 변환 장치를 이용하여 변환했을 때의 설명 변수로서 이용되는 플롯의 예를 나타내는 그래프이다.
도 9는 제3 실시형태에 따른 변환 장치를 이용하여 변환했을 때의 목적 변수의 값과 변환 후의 값의 상관을 나타내는 그래프의 일례이다.1 is a block diagram showing the configuration of a conversion device according to a first embodiment of the present invention.
Fig. 2 is a flowchart showing the operation of the conversion device of the first embodiment.
Fig. 3 is an example of a graph showing the correlation between the value of the target variable when converted using the conversion device of the first embodiment and the value after conversion.
Fig. 4 is another example of a graph showing the correlation between the value of the target variable when converted using the conversion device of the first embodiment and the value after conversion.
Fig. 5 is another example of a graph showing the correlation between the value of the target variable when converted using the conversion device of the first embodiment and the value after conversion.
Fig. 6 is another example of a graph showing the correlation between the value of the target variable when converted using the conversion device of the first embodiment and the value after conversion.
Figure 7 is a block diagram showing a prediction model production device according to a second embodiment of the present invention.
Fig. 8 is a graph showing an example of a plot used as an explanatory variable when converted using the conversion device according to the third embodiment of the present invention.
Fig. 9 is an example of a graph showing the correlation between the value of the target variable when converted using the conversion device according to the third embodiment and the value after conversion.
이하, 본 발명의 각 실시형태에 따른 변환 장치(1), 예측 모델 제작 장치, 변환 정보 제작 방법, 예측 모델 제작 방법, 및 프로그램에 대하여, 도 1 내지 도 9를 참조하여 설명한다.Hereinafter, the conversion device 1, the prediction model production device, the conversion information production method, the prediction model production method, and the program according to each embodiment of the present invention will be described with reference to FIGS. 1 to 9.
우선, 각 실시형태의 변환 장치(1), 예측 모델 제작 장치(2), 변환 정보 제작 방법, 예측 모델 제작 방법, 및 프로그램을 설명하기 전에, 변환 장치(1)의 개요를 설명한다.First, before explaining the conversion device 1, prediction model production device 2, conversion information production method, prediction model production method, and program of each embodiment, an outline of the conversion device 1 will be explained.
우선, 변환 장치(1)를 이용하는 목적을 설명한다.First, the purpose of using the conversion device 1 will be explained.
냄새의 종류를 특정하는 시스템으로서 가스 센서를 이용하는 것이 제안되어 있다. 그러나 가스 센서만으로는 정확하게 인간이 느끼고 있는 냄새의 종류를 판별, 특정하는 것은 어렵다. 왜냐하면, 가스 센서의 검출 소자가 인간의 감각(후각)에 따르지 않는 물질로 구성되어 있기 때문이다. 그 때문에, 다양한 검출 소자나 분석 방법이 제안되었다고 하더라도, 냄새의 종류를 특정, 판별하는 일은 어렵다.It has been proposed to use a gas sensor as a system for specifying the type of odor. However, it is difficult to accurately determine and specify the type of smell that humans are feeling using gas sensors alone. This is because the detection element of the gas sensor is made of a material that does not correspond to the human sense (smell). Therefore, even if various detection elements and analysis methods have been proposed, it is difficult to specify and determine the type of odor.
가스 센서의 출력과 인간의 관능 시험을 기계 학습 등으로 강제적으로 정보를 연결하는 어프로치가 존재하지만, 관능 시험의 데이터는 각 개인에 의해 평가에 편차가 발생하기 때문에, 상기 어프로치에 의한 고정밀도의 판정은 아직 달성되지 않았다. SMILES 표기와 같은 분자의 화학 구조를 영수(英數) 표기로 문자열화한 표기 방법을 채용하는 것으로, 가스 센서 출력과 관능 시험 결과 간의 관계를 강화하는 어프로치도 존재한다. 그러나 예측 정밀도는 향상되지만, 냄새가 없는 분자의 정보를 혼재시키는 사실로부터 고정밀도의 냄새의 종류의 특정, 판별, 예측을 하는 것은 실현되지 않았다. 이에 대해, 가스 센서 출력을 인간 후각의 정량적인 수치로 표현할 수 있다면, 고정밀도로 인간의 후각에 따른 냄새의 판정이 가능하게 된다.There is an approach that forcibly links information between the output of a gas sensor and human sensory testing using machine learning, etc., but since variation occurs in the evaluation of sensory test data by each individual, high-precision judgment using the above approach is possible. has not yet been achieved. There is also an approach to strengthening the relationship between gas sensor output and sensory test results by adopting a notation method such as SMILES notation that converts the chemical structure of the molecule into a string in English notation. However, although prediction accuracy has improved, it has not been realized to specify, discriminate, or predict the type of odor with high precision based on the fact that information about odorless molecules is mixed. In contrast, if the gas sensor output can be expressed in quantitative values of the human sense of smell, it becomes possible to determine odor according to the human sense of smell with high precision.
변환 장치(1)는, 예를 들면 소정의 냄새 분자에 대하여 소정의 가스 검출 기능을 갖는 장치(이하, 가스 검출 장치(100)라고도 함)로부터 출력되는 출력 정보를 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 장치이다. 이에 따라, 변환 장치(1)는, 동일한 냄새 분자에 대해 분석 방법이 다른 가스 검출 장치(100)의 각각으로부터 출력되는 다른 값의 출력 정보에 대해서, 동일한 결과를 얻을 수 있는 후각 수용체(200)의 응답인 하나의 응답 정보로 변환하는 것이다. 이에 따라, 변환 장치(1)는, 가스 검출 장치(100)의 분석 방법의 차이에 관계없이, 가스 검출 장치(100)의 출력 정보를 하나의 응답 정보에 연결하는 것을 도모할 수 있다. 예를 들면, 변환 장치(1)는, 하나의 냄새 분자에 대한 복수의 가스 검출 장치(100)마다 값이나 단위가 다른 출력 정보에 대해, 1개의 응답 정보를 소위 냄새의 미터원기(原器)로서의 연계를 도모할 수 있다. 이하의 실시형태에 있어서, 변환 장치(1)는 미리 기계 학습된 학습 모델을 이용하여 출력 정보를 응답 정보로 변환하는 것이다.For example, the conversion device 1 converts output information output from a device having a predetermined gas detection function (hereinafter also referred to as the gas detection device 100) to a predetermined odor molecule into response information indicating the response of the olfactory receptor. It is a device that converts to Accordingly, the conversion device 1 has an olfactory receptor 200 that can obtain the same result for output information of different values output from each of the gas detection devices 100 using different analysis methods for the same odor molecule. It is converted into a single response information, which is a response. Accordingly, the conversion device 1 can connect the output information of the gas detection device 100 to one response information, regardless of the difference in the analysis method of the gas detection device 100. For example, the conversion device 1 converts one response information into a so-called odor meter source for output information with different values or units for each of the plurality of gas detection devices 100 for one odor molecule. Connection can be promoted. In the following embodiment, the conversion device 1 converts output information into response information using a learning model that has been machine-learned in advance.
다음으로, 가스 검출 장치(100)에 대하여 설명한다. 가스 검출 장치(100)는, 예를 들면 가스 센서 또는 질량 분석 장치(가스 크로마토그래프 질량 분석 장치)이다. 가스 센서는 소정의 냄새 분자의 종류 및 농도에 따라 출력 정보로서 소정의 전기 신호(예를 들어, 전압값, 저항값 또는 전류값), 주파수 변화, 빛의 파장 변화, 또는 후각 수용체에 대한 냄새 분자의 노출에 의한 활성화도를 출력한다. 가스 검출 장치(100)는, 예를 들면, 접촉하는 냄새 분자의 농도의 크기가 클수록, 보다 큰 전압값의 전기 신호를 출력한다. 또한, 질량 분석 장치는, 예를 들면, 냄새 분자의 종류 및 농도에 관해서, 질량 전하와 그 강도를 나타내는 플롯을 그래프 데이터로서 출력하는 것이다.Next, the gas detection device 100 will be described. The gas detection device 100 is, for example, a gas sensor or a mass spectrometer (gas chromatograph mass spectrometer). The gas sensor outputs a predetermined electrical signal (for example, voltage value, resistance value, or current value), frequency change, wavelength change of light, or odor molecule to the olfactory receptor as output information depending on the type and concentration of the odor molecule. Outputs the activation level due to exposure. For example, the gas detection device 100 outputs an electrical signal with a larger voltage value as the concentration of odor molecules in contact increases. Additionally, the mass spectrometer outputs, for example, a plot showing the mass charge and its intensity with respect to the type and concentration of the odor molecule as graphic data.
다음으로, 후각 수용체(200)에 대하여 설명한다. 후각 수용체(200)는, 예를 들면, 일본 특허공개 2011-011869호 공보 등에 의해 개시되는 공지의 후각 수용체를 이용함으로써 실현할 수 있다. 후각 수용체(200)는, 예를 들면, 기판(도시하지 않음)에 접하여 탑재되는 핵산이다. 핵산은 소정의 수용체를 코딩하는 유전자를 포함하는 핵산을 포함한다. 기판에 접하는 핵산은 복수종이며, 기판 상에 각종 핵산이 서로 이격하여 배치된다. 기판 상의 핵산에 세포를 접촉시킴으로써, 각종 핵산에 대응하는 후각 수용체를 일과성 발현하는 세포가 그 자리에서 생성된다.Next, the olfactory receptor 200 will be described. The olfactory receptor 200 can be realized by using, for example, a known olfactory receptor disclosed in Japanese Patent Application Laid-Open No. 2011-011869 or the like. The olfactory receptor 200 is, for example, a nucleic acid loaded in contact with a substrate (not shown). Nucleic acids include nucleic acids that contain genes encoding a given receptor. There are multiple types of nucleic acids in contact with the substrate, and various nucleic acids are arranged spaced apart from each other on the substrate. By bringing cells into contact with nucleic acids on a substrate, cells that transiently express olfactory receptors corresponding to various nucleic acids are produced on the spot.
이 태양에서의 수용체는, 세포에 피험 물질을 접촉시킴으로써 세포 상태에 변화가 일어날 수 있다. 구체적으로는, 세포 내 칼슘 농도 또는 세포 내 cAMP 농도의 변화가 일어날 수 있다. 이러한 변화에 대해서, cAMP 감수성 색소, cAMP 감수성 형광 단백질, 칼슘 감수성 색소, 또는 칼슘 감수성 형광 단백질을 이용함으로써 계측할 수 있다. 예를 들어, cAMP 감수성 색소 또는 cAMP 감수성 형광 단백질에 의한 휘도 변화를 계측함으로써, 수용체의 활성화도를 정량적으로 산출할 수 있다. 활성화도는 후각 수용체(200)의 응답을 나타내는 응답 정보 또는 응답 정보로써 이용된다.Receptors in this aspect can cause changes in the state of cells by contacting the cells with a test substance. Specifically, changes in intracellular calcium concentration or intracellular cAMP concentration may occur. These changes can be measured by using a cAMP-sensitive dye, cAMP-sensitive fluorescent protein, calcium-sensitive dye, or calcium-sensitive fluorescent protein. For example, the degree of receptor activation can be quantitatively calculated by measuring the change in brightness caused by cAMP-sensitive dye or cAMP-sensitive fluorescent protein. The activation degree is used as response information or response information indicating the response of the olfactory receptor 200.
후각 수용체는 사람, 포유류, 곤충, 또는 선충의 후각 수용체여도 좋다. 또한, 후각 수용체는 액체 상의 피험 물질에 한정되지 않고, 가스상(기체상)의 피험 물질에 접촉하여 응답하는 형태여도 좋다. 후자의 형태에 따른 후각 수용체는 가스 검출 장치(100) 또는 후각 수용체(200) 중 어느 하나로서도 사용 가능하다. 즉, 가스상의 피험 물질에 대한 후각 수용체의 응답 정보와 액체 상의 피험 물질에 대한 후각 수용체의 응답 정보 사이를 변환할 수도 있다.The olfactory receptor may be a human, mammalian, insect, or nematode olfactory receptor. In addition, the olfactory receptor is not limited to a liquid test substance, and may be in a form that responds by contacting a gaseous test substance. The latter type of olfactory receptor can be used as either the gas detection device 100 or the olfactory receptor 200. That is, it is possible to convert between the response information of the olfactory receptor to a gaseous test substance and the response information of the olfactory receptor to a liquid test substance.
후각 수용체는, 상기한 세포에 발현되는 형태에 한정되지 않고, 무세포의 형태를 취해도 좋다. 예를 들면, 세포막 등의 지질 이중막으로 형성된 리포좀으로서, 상기 막에 각종 후각 수용체가 존재하는 리포좀이 기판에 서로 이격하여 배치되어도 좋다. 리포좀의 크기는 특별히 한정되지 않으며, 전형적으로 직경 100nm 전후여도 좋다. 리포좀의 제법은 특별히 한정되지 않지만, 후각 수용체를 발현하는 세포를 세포막 분획(G 단백질, 아데닐산 시클라아제, 환상 뉴클레오티드 의존성 채널 등의 세포 내 정보 전달 단백질을 포함해도 좋다)과 세포질 분획(GDP, GTP, ATP, cAMP 등의 세포 내 정보 전달 물질을 포함해도 좋다)으로 나누어, 양자를 혼합교반하여 융합하는 공정을 가져도 좋다.The olfactory receptor is not limited to the form expressed in the above cells, and may take a cell-free form. For example, liposomes formed of a lipid bilayer such as a cell membrane, and liposomes in which various olfactory receptors are present, may be placed on a substrate to be spaced apart from each other. The size of the liposome is not particularly limited, and may typically be around 100 nm in diameter. The method for producing liposomes is not particularly limited, but cells expressing olfactory receptors are divided into a cell membrane fraction (which may also contain intracellular information transmission proteins such as G protein, adenylate cyclase, and cyclic nucleotide-dependent channels) and a cytoplasmic fraction (GDP, (may include intracellular information transfer substances such as GTP, ATP, cAMP, etc.), and a process of mixing and stirring the two may be performed.
또는, 후각 수용체 단백질 자체를 기판의 프로브로 사용해도 좋다. 여기에서, 후각 수용체가 세포막을 관통한 상태의 입체 구조를 유지하고 있는 나노디스크가 바람직하다. 나노디스크는, 예를 들면, 아폴리포프로틴 A1(APOA1)의 변이체로 이루어지는 membrane scaffold protein(MSP)이며, 지질 이중막을 디스크 형태로 집적시킬 수 있기 때문에(Timothy H. Bayburt, Yelena V. Grinkova, and Stephen G. Sligar Nano Letters 2002 2(8), 853-856), 세포 밖에서도 막 단백질을 지질막으로 관통한 상태로 유지할 수 있다(Civjan NR, Bayburt TH, Schuler MA, Sligar SG. Direct solubilization of heterologously expressed membrane proteins by incorporation into nanoscale lipid bilayers. Biotechniques. 2003 Sep;35(3):556-60, 562-3). 또한, 나노디스크를 배치하는 기판은 특별히 한정되지 않지만, 탄소나노튜브 FET(Yang H, Kim D, Kim J, Moon D, Song HS, Lee M, Hong S, Park TH. Nanodisc-Based Bioelectronic Nose Using Olfactory Receptor Produced in Escherichia coli for the Assessment of the Death-Associated Odor Cadaverine. ACS Nano. 2017 Dec 26;11(12):11847-11855. doi: 10.1021/acsnano), 탄소나노튜브 FET 등이어도 좋다. 나노디스크의 제법은 특별히 한정되지 않지만, 대장균 등으로 발현시켜 회수한 MSP로 하고, 가용화시킨 막 단백질과, 계면활성제로 물에 용해시킨 인지질을, 혼합하여, 투석 등으로 계면활성제를 제거함으로써, 나노디스크를 자기 조직화에 의해 형성시키는 공정을 포함해도 좋다. 이러한 무세포 형태의 후각 수용체를 이용하여, 피험 물질에 의한 전류, 전압, 임피던스 등의 변화를 계측하는 것으로도, 수용체의 활성화도를 정량적으로 평가할 수 있다.Alternatively, the olfactory receptor protein itself may be used as a substrate probe. Here, nanodisks that maintain the three-dimensional structure of the olfactory receptors penetrating the cell membrane are preferred. Nanodisc, for example, is a membrane scaffold protein (MSP) made of a variant of apolipoprotein A1 (APOA1), and can integrate lipid bilayers into a disk shape (Timothy H. Bayburt, Yelena V. Grinkova, and Stephen G. Sligar Nano Letters 2002 2(8), 853-856), membrane proteins can be maintained penetrating the lipid membrane even outside the cell (Civjan NR, Bayburt TH, Schuler MA, Sligar SG. Direct solubilization of heterologously expressed membrane proteins by incorporation into nanoscale lipid bilayers. Biotechniques. 2003 Sep;35(3):556-60, 562-3). In addition, the substrate on which the nanodisc is placed is not particularly limited, but a carbon nanotube FET (Yang H, Kim D, Kim J, Moon D, Song HS, Lee M, Hong S, Park TH. Nanodisc-Based Bioelectronic Nose Using Olfactory Receptor Produced in Escherichia coli for the Assessment of the Death-Associated Odor Cadaverine. ACS Nano. 2017 Dec 26;11(12):11847-11855. doi: 10.1021/acsnano), carbon nanotube FET, etc. may be used. The manufacturing method of nanodiscs is not particularly limited, but MSP is expressed in Escherichia coli and recovered, mixed with solubilized membrane proteins and phospholipids dissolved in water with a surfactant, and the surfactant is removed by dialysis or the like. A process of forming a disk by self-organization may be included. Using such cell-free olfactory receptors, the degree of receptor activation can be quantitatively evaluated by measuring changes in current, voltage, impedance, etc. due to test substances.
[제1 실시형태][First Embodiment]
다음으로, 본 발명의 제1 실시형태에 따른 변환 장치(1), 변환 정보 제작 방법 및 프로그램에 대하여, 도 1 내지 도 6을 참조하여 설명한다. 본 실시형태에서는 가스 검출 장치(100)로서 가스 센서를 일례로서 설명한다.Next, the conversion device 1, the conversion information production method, and the program according to the first embodiment of the present invention will be described with reference to FIGS. 1 to 6. In this embodiment, a gas sensor as the gas detection device 100 is explained as an example.
변환 장치(1)는, 소정의 냄새 분자에 대하여 소정의 가스 검출 장치(100)로부터 출력되는 출력 정보를 후각 수용체(200)의 응답을 나타내는 응답 정보로 변환하는 것이다. 또한, 본 실시형태에 따른 변환 장치(1)는 변환된 응답 정보를 출력함과 동시에, 변환된 응답 정보로부터 소정의 냄새의 특징을 나타내는 단어(문언)를 출력하는 것이다. 변환 장치(1)는, 도 1에 도시된 바와 같이, 출력 정보 취득부(11)와, 변환부(12)와, 추정부(13)와, 출력부(14)를 구비한다.The conversion device 1 converts the output information output from the gas detection device 100 for a certain odor molecule into response information indicating the response of the olfactory receptor 200. Additionally, the conversion device 1 according to the present embodiment outputs converted response information and at the same time outputs words (phrases) representing the characteristics of a predetermined smell from the converted response information. As shown in FIG. 1, the conversion device 1 includes an output information acquisition unit 11, a conversion unit 12, an estimation unit 13, and an output unit 14.
출력 정보 취득부(11)는, 예를 들면 CPU가 동작함으로써 실현된다. 출력 정보 취득부(11)는 소정의 냄새 분자에 대하여 가스 검출 장치(100)로부터 출력되는 출력 정보를 취득한다. 출력 정보 취득부(11)는, 예를 들면, 소정의 냄새(냄새 분자)를 감지함으로써 가스 검출 장치(100)로부터 출력되는 전압값을 출력 정보로서 취득한다. 출력 정보 취득부(11)는, 예를 들면, 가스 검출 장치(100)에 의해 원격지에서 측정된 출력 정보를 취득해도 좋다.The output information acquisition unit 11 is realized by, for example, operating a CPU. The output information acquisition unit 11 acquires output information output from the gas detection device 100 for a predetermined odor molecule. The output information acquisition unit 11 acquires the voltage value output from the gas detection device 100 as output information by, for example, detecting a predetermined odor (odor molecule). The output information acquisition unit 11 may acquire output information measured remotely by the gas detection device 100, for example.
변환부(12)는, 예를 들면, CPU가 동작함으로써 실현된다. 변환부(12)는, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 신호와 상기 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보에 기초하여, 취득한 출력 정보를 응답 정보로 변환한다. 본 실시형태에 있어서, 변환부(12)는, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 후각 수용체(200)의 응답을 나타내는 응답 정보로 변환한다.The conversion unit 12 is realized by, for example, operating a CPU. The conversion unit 12 is based on output signals output from the plurality of gas detection devices 100 for each of the plurality of odor molecules and response information indicating the response of the olfactory receptor 200 to each of the plurality of odor molecules. , Convert the acquired output information into response information. In this embodiment, the conversion unit 12 uses output information output from the plurality of gas detection devices 100 for each of the plurality of odor molecules as an explanatory variable, and at the same time, the olfactory receptor for each of the plurality of odor molecules Using the response information representing the response of 200 as a target variable and a machine-learned prediction model, the acquired output information is converted into response information representing the response of the olfactory receptor 200.
변환부(12)는, 예를 들면, 가스 검출 장치(100)로부터 출력되는 출력 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는, 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 제작된 변수를 설명 변수로서 기계 학습된 예측 모델을 이용한다. 또한, 변환부(12)는 후각 수용체(200)의 응답 정보의 수학적, 통계학적 또는 기계 학습적 방법을 이용하여 산출되는 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 제작된 변수를 목적 변수로서 기계 학습된 예상 모델을 이용한다. 변환부(12)는, 예를 들면, 변환부(12)는, 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보의 시계열 데이터 및 특징량 패턴 수를 설명 변수로 하고, 복수의 후각 수용체(200)의 응답 정보의 시계열 데이터 및 특징량 패턴 수를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득한 출력 정보를 응답 정보로 변환한다.The conversion unit 12 may, for example, convert the output information output from the gas detection device 100 into a numerical value, function, spatial or time-series indicator, or A machine-learned prediction model is used as an explanatory variable using newly created variables through feature engineering. In addition, the conversion unit 12 is a numerical value, function, spatial or time series index calculated using a mathematical, statistical or machine learning method of the response information of the olfactory receptor 200, or a variable newly created through feature engineering. A machine-learned prediction model is used as the objective variable. For example, the conversion unit 12 uses the time series data and the number of characteristic quantity patterns of the output information output from the plurality of gas detection devices 100 as explanatory variables, and uses a plurality of olfactory receptors ( 200), the time series data of the response information and the number of characteristic quantity patterns are used as target variables and a machine-learned prediction model is used to convert the acquired output information into response information.
본 실시형태에서, 변환부(12)는 복수의 가스 검출 장치(100)의 출력 정보의 유무를 설명 변수로서 기계 학습된 예측 모델을 이용한다. 또한, 본 실시형태에서, 변환부(12)는 후각 수용체(200)에 포함되는 복수의 수용체의 반응 유무를 목적 변수로서 기계 학습된 예측 모델을 이용한다. 또한, 본 실시형태에서, 변환부(12)는 가스 검출 장치(100)로부터 출력되는 출력 정보의 질량 전하 및 강도를 설명 변수로서 기계 학습된 예측 모델을 이용한다. 따라서, 변환부(12)는 전압값, 저항값, 전류값, 주파수 변화, 또는 빛의 파장 변화로 표시되는 변환용 전압값에 대하여 후각 수용체(200)의 활성화도를 나타내는 응답 정보로 변환한다.In this embodiment, the conversion unit 12 uses a machine-learned prediction model as an explanatory variable for the presence or absence of output information of the plurality of gas detection devices 100. Additionally, in this embodiment, the conversion unit 12 uses a machine-learned prediction model as the target variable for the presence or absence of responses of a plurality of receptors included in the olfactory receptor 200. Additionally, in this embodiment, the conversion unit 12 uses a machine-learned prediction model using the mass charge and intensity of the output information output from the gas detection device 100 as explanatory variables. Accordingly, the conversion unit 12 converts the conversion voltage value expressed as a voltage value, a resistance value, a current value, a change in frequency, or a change in the wavelength of light into response information indicating the degree of activation of the olfactory receptor 200.
추정부(13)는, 예를 들면 CPU가 동작함으로써 실현된다. 추정부(13)는 변환된 응답 정보에 의해 표시되는 정량화된 데이터로부터 소정의 냄새의 특징을 나타내는 문언을 추정한다. 추정부(13)는, 예를 들면, 변환된 응답 정보에 대하여, 후각 수용체(200)의 활성화도의 차이에 대하여 연관 지어진 문언을 이용하여 추정한다. 추정부(13)는, 예를 들면, 응답 정보와 유사한 활성화도에 따라 소정의 냄새의 특징 (관능성)을 나타내는 문언을 추정한다. 추정부(13)는, 예를 들면, 응답 정보에 관해서, 「시다」라는 문언뿐만 아니라 감귤류의 냄새를 나타내는 「상쾌하다」라는 문언, 또는 아세트산계의 냄새를 나타내는 「코끝이 찡하다」라는 문언을 추정한다. 추정부(13)는 예를 들면, 응답 정보와 유사한 활성화도에 따라 냄새의 특징을 복수의 문언으로 추정한다.The estimation unit 13 is realized by, for example, operating a CPU. The estimation unit 13 estimates a sentence representing the characteristics of a predetermined smell from the quantified data represented by the converted response information. For example, the estimation unit 13 estimates the difference in activation of the olfactory receptors 200 using the associated text with respect to the converted response information. For example, the estimation unit 13 estimates a sentence indicating a characteristic (sensuality) of a predetermined odor according to an activation level similar to the response information. For example, with respect to response information, the estimation unit 13 includes not only the phrase “sour” but also the phrase “refreshing” indicating a citrus-based odor, or the phrase “the tip of my nose stings” indicating an acetic acid-based odor. estimate. For example, the estimation unit 13 estimates the characteristics of a smell using a plurality of sentences based on activation levels similar to response information.
여기에서, 추정부(13)에 관해서, 가스 검출 장치(100)의 신호로부터 냄새의 성분을 초래하는 물질을 동정하는 것이 알려져 있다. 이에 대해, 동일한 물질의 냄새조차도 냄새에는 차이가 있을 수 있다. 예를 들어, 오렌지 냄새조차도 각 오렌지마다 냄새가 다를 수 있다. 즉, 냄새에 대하여, 예를 들면, 인간이 냄새를 표현하도록 하는, 냄새의 단어 그 자체를 출력할 수 있으면 바람직하다. 예를 들면, 오렌지의 냄새에 대해서, 「시다」, 「달다」, 「상쾌하다」, 「쓰다」, 「감귤류」와 같이, 오렌지의 냄새라도, 단맛이 강하고 산미가 약하다는 등의 냄새의 특징을 평가할 수 있으면 바람직하다.Here, with respect to the estimation unit 13, it is known to identify substances causing components of an odor from the signal of the gas detection device 100. In this regard, even the odor of the same substance may have differences in odor. For example, even the smell of oranges can vary from one orange to another. In other words, for a smell, it is desirable to be able to output the smell word itself, for example, to allow humans to express the smell. For example, with regard to the smell of oranges, characteristics of the smell such as “sour”, “sweet”, “refreshing”, “bitter”, “citrus”, etc., such as strong sweetness and weak acidity even for the smell of oranges. It is desirable to be able to evaluate .
추정부(13)는, 후각 수용체(200)의 응답을 나타내는 응답 정보로부터 냄새의 특징을 관능적으로 나타내는 특징을 추정할 수 있으므로, 냄새의 특징을 다면적으로 표현할 수 있다. 이에 따라, 냄새의 특징을 보다 알기 쉽게 표현할 수 있다.The estimation unit 13 can estimate features that sensory-represent the characteristics of an odor from response information representing the response of the olfactory receptor 200, and thus can express the characteristics of the odor in a multifaceted manner. Accordingly, the characteristics of the smell can be expressed more easily.
출력부(14)는, 예를 들면 CPU가 동작함으로써 실현된다. 출력부(14)는 변환된 응답 정보를 출력한다. 또한, 출력부(14)는 추정된 문언을 출력한다. 출력부(14)는, 예를 들면, 응답 정보 또는 추정된 문언을 표시함으로써 출력한다. 출력부(14)는 예를 들면, 응답 정보로서 활성화도를 수치화하여 출력한다.The output unit 14 is realized by, for example, operating a CPU. The output unit 14 outputs the converted response information. Additionally, the output unit 14 outputs the estimated text. The output unit 14 outputs, for example, by displaying response information or estimated text. For example, the output unit 14 converts the activation degree into numbers and outputs it as response information.
다음으로, 변환 장치(1)의 동작(변환 정보 제작 방법)의 흐름을 도 2의 흐름도를 참조하여 설명한다. 우선, 출력 정보 취득부(11)는 가스 검출 장치(100)로부터 변환 신호를 취득한다(단계 S1). 다음으로, 변환부(12)는 변환 신호를 응답 정보로 변환한다(단계 S2). 이어서, 추정부(13)는 응답 정보로부터 문언을 추정한다(단계 S3). 이어서, 출력부(14)는 응답 정보 및 문언을 출력한다(단계 S4).Next, the flow of the operation (conversion information production method) of the conversion device 1 will be explained with reference to the flowchart in FIG. 2. First, the output information acquisition unit 11 acquires a converted signal from the gas detection device 100 (step S1). Next, the conversion unit 12 converts the conversion signal into response information (step S2). Next, the estimation unit 13 estimates the text from the response information (step S3). Next, the output unit 14 outputs response information and text (step S4).
다음에, 본 실시형태의 프로그램에 대하여 설명한다. 변환 장치(1)에 포함되는 각 구성은 하드웨어, 소프트웨어 또는 이들의 조합에 의해 각각 실현할 수 있다. 여기에서, 소프트웨어에 의해 실현된다는 것은 컴퓨터가 프로그램을 판독하여 실행함으로써 실현된다는 것을 의미한다.Next, the program of this embodiment will be described. Each configuration included in the conversion device 1 can be realized by hardware, software, or a combination thereof. Here, being realized by software means being realized by a computer reading and executing a program.
프로그램은 다양한 유형의 비 일시적인 컴퓨터 가독 매체(non-transitory computer readable medium)를 이용하여 저장되어 컴퓨터에 공급될 수 있다. 비 일시적인 컴퓨터 가독 매체는 다양한 유형의 실체가 있는 기록 매체(tangible storage medium)를 포함한다. 비 일시적인 컴퓨터 가독 매체의 예는, 자기 기록 매체(예를 들어, 플렉서블 디스크, 자기 테이프, 하드 디스크 드라이브), 광 자기 기록 매체(예를 들어, 광 자기 디스크), CD-ROM(Read Only Memory), CD-R, CD-R/W, 반도체 메모리(예를 들어, 마스크 ROM, PROM(Programmable ROM), EPROM(Erasable PROM), 플래쉬 ROM, RAM(random access memory))를 포함한다. 또한, 표시 프로그램은 다양한 유형의 일시적인 컴퓨터 가독 매체(transitory computer readable medium)에 의해 컴퓨터에 공급되어도 좋다. 일시적인 컴퓨터 가독 매체의 예는, 전기 신호, 광 신호, 및 전자파를 포함한다. 일시적인 컴퓨터 가독 매체는 전선 및 광섬유 등의 유선 통신로 또는 무선 통신로를 통해 프로그램을 컴퓨터에 공급할 수 있다.Programs may be stored and supplied to a computer using various types of non-transitory computer readable medium. Non-transitory computer-readable media includes various types of tangible storage media. Examples of non-transitory computer-readable media include magnetic recording media (e.g., flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (e.g., magneto-optical disks), and CD-ROM (Read Only Memory). , CD-R, CD-R/W, semiconductor memory (e.g., mask ROM, programmable ROM (PROM), erasable PROM (EPROM), flash ROM, random access memory (RAM)). Additionally, the display program may be supplied to the computer by various types of transitory computer readable medium. Examples of transient computer-readable media include electrical signals, optical signals, and electromagnetic waves. Temporary computer-readable media can supply programs to a computer through wired communication channels such as wires and optical fibers or wireless communication channels.
다음에, 본 실시형태의 실시예를 설명한다.Next, examples of this embodiment will be described.
(실시예 1)(Example 1)
후각 수용체(200)로서, 400개의 후각 수용체를 포함하는 어레이 센서를 이용하였다. 그리고 소정의 냄새를 미리 정한 시간, 후각 수용체 발현 세포에 노출시켰다. 냄새의 농도는 500μM 내지 10μM의 농도를 이용하였다. 또한, 12종류의 가스 검출 장치(100)(가스 센서)에 대하여 소정의 냄새를 미리 정한 시간 노출시켜 출력 정보를 취득하였다. 그리고 변환 장치(1)를 이용하여 출력 정보로부터 응답 정보로 변환하였다. 또한, 후각 수용체(200)의 발현 세포에 노출한 결과의 활성화도를 측정하였다. 여기서 측정한 냄새 분자로는 hexyl acetate, hexyl butyrate, butyl butyrate, 2,7-octadienol, cis-2-penten-1-ol, toluene, beta-ionone, benzothiazole, cyclotene, acetic acid, coumarin, 1,2,4-trimethyl benzene, 2-ethylhexanol, propionaldehyde, 4-Isopropylphenol, Bis (methylthio) methane, 1,2,4,5-tetramethyl benzene, 3-methyl-1-butanol, E-2-nonenal, m-cresol을 이용하였다.As the olfactory receptor 200, an array sensor containing 400 olfactory receptors was used. Then, cells expressing olfactory receptors were exposed to a predetermined odor for a predetermined time. The concentration of the odor was 500 μM to 10 μM. Additionally, output information was obtained by exposing 12 types of gas detection devices 100 (gas sensors) to a predetermined odor for a predetermined time. Then, the output information was converted into response information using the conversion device 1. In addition, the degree of activation resulting from exposure to cells expressing the olfactory receptor 200 was measured. The odor molecules measured here include hexyl acetate, hexyl butyrate, butyl butyrate, 2,7-octadienol, cis-2-penten-1-ol, toluene, beta-ionone, benzothiazole, cyclotene, acetic acid, coumarin, 1,2 ,4-trimethyl benzene, 2-ethylhexanol, propionaldehyde, 4-Isopropylphenol, Bis (methylthio) methane, 1,2,4,5-tetramethyl benzene, 3-methyl-1-butanol, E-2-nonenal, m-cresol was used.
데이터 처리에서는 예측 모델의 언어로 파이썬을 이용하였다. 또한, 예측 모델의 알고리즘으로서, 랜덤 포레스트, 서포트 벡터 머신 및 그래디언트 부스트 결정 트리 각각을 이용하여 평가하였다. 또한, 예측 모델로서 회귀에 의해 제작된 것을 이용하였다. 학습 방법으로서, 지도 학습(supervised learning)을 이용하였다. 모델 평가법으로서, 주로 결정 계수로 평가하였다.In data processing, Python was used as the language of the prediction model. In addition, as prediction model algorithms, random forest, support vector machine, and gradient boost decision tree were each used to evaluate them. Additionally, as a prediction model, one produced by regression was used. As a learning method, supervised learning was used. As a model evaluation method, it was mainly evaluated using the coefficient of determination.
랜덤 포레스트법에 의한 회귀를 이용한 경우, 도 3에 나타내는 바와 같이, 종축을 예상 모델로부터 출력되는 예측치(응답 정보), 횡축을 목적 변수의 실측치(후각 수용체(200) 발현 세포의 활성화도)로서, 회귀 결정 계수 0.834(1.0을 최대로 한다)를 얻을 수 있었다.When using regression by the random forest method, as shown in FIG. 3, the vertical axis is the predicted value (response information) output from the prediction model, and the horizontal axis is the actual measured value of the target variable (activation degree of cells expressing olfactory receptor 200), A regression coefficient of determination of 0.834 (maximized at 1.0) was obtained.
서포트 벡터 머신에 의한 회귀를 이용한 경우, 도 4에 나타내는 바와 같이, 회귀 결정 계수 0.871을 얻을 수 있었다. 또한, 그래디언트 부스트 결정 트리에 의한 회귀를 이용한 경우, 도 5에 나타낸 바와 같이, 회귀 결정 계수 0.847을 얻을 수 있었다. 이에 따라, 예측치가 목적 변수의 실측치에 대하여 충분한 상관을 얻을 수 있음을 알 수 있었다. 즉, 출력 정보를 정량화할 수 있는 것으로 밝혀졌다.When regression using a support vector machine was used, a regression determination coefficient of 0.871 was obtained, as shown in Figure 4. Additionally, when regression using a gradient boost decision tree was used, a regression determination coefficient of 0.847 was obtained, as shown in FIG. 5. Accordingly, it was found that the predicted value could obtain sufficient correlation with the actual measured value of the target variable. In other words, it was found that the output information can be quantified.
(실시예 2)(Example 2)
특정 냄새 분자에 대한 센서 데이터를 학습하고 반응하는 후각 수용체(200)와 그 활성화도를 예상하는 모델을 만들었다. 가스 검출 장치(100), 후각 수용체(200) 셀 어레이 센서의 실험 조건 및 실험 절차를 실시예 1과 동일하게 하였다. 데이터 처리에는 클래스 분류를 이용하였다. 언어로서 파이썬을 이용하였다. 알고리즘으로서 신경망을 이용하였다. 가스 검출 장치(100)의 출력 정보와 후각 수용체(200)의 응답 정보를 관련시킨 다음 클래스 분류 모델을 작성하였다. 학습 방법은 지도 학습으로 하였다. 은닉층의 수는 상관없지만, 본 실시예에서는 2층으로 실시하였다. 모델 평가는 전체 정답률(accuracy), 손실 함수(loss)를 이용하였다. 가스 검출 장치(100)의 출력 정보를 설명 변수로 하고, 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로 하였다.We created a model that learns sensor data for specific odor molecules and predicts the olfactory receptor 200 that responds and its activation degree. The experimental conditions and experimental procedures of the gas detection device 100 and the olfactory receptor 200 cell array sensor were the same as in Example 1. Class classification was used for data processing. Python was used as the language. A neural network was used as the algorithm. A class classification model was created by relating the output information of the gas detection device 100 and the response information of the olfactory receptor 200. The learning method was supervised learning. The number of hidden layers is not important, but in this example, two layers were used. The overall accuracy and loss function were used to evaluate the model. Output information from the gas detection device 100 was used as an explanatory variable, and response information representing the response of the olfactory receptor 200 was used as an objective variable.
도 6에 도시한 바와 같이, 학습 횟수 500회 정도에서, 예측 accuracy가 0.9 전후로 높게 유지되고, loss는 0.3 전후로 낮게 유지되고 있다. 이것으로부터, 전술한 예상 모델을 제작할 수 있었다. 이상, 제1 실시형태에 관한 변환 장치(1), 변환 정보 제작 방법 및 프로그램에 의하면, 이하의 효과를 나타낸다.As shown in Figure 6, at a learning count of about 500, the prediction accuracy is maintained high at around 0.9, and the loss is maintained low at around 0.3. From this, it was possible to produce the above-mentioned prediction model. As mentioned above, according to the conversion device 1, the conversion information production method, and the program according to the first embodiment, the following effects are achieved.
(1) 변환 장치(1)는, 소정의 냄새 분자에 대하여 소정의 가스 검출 장치(100)로부터 출력되는 출력 정보를 후각 수용체(200)의 응답을 나타내는 응답 정보로 변환하는 변환층 커버로서, 소정의 냄새 분자에 대하여 가스 검출 장치(100)로부터 출력되는 출력 정보를 취득하는 출력 정보 취득부(11)와, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 신호와 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보에 기초하여, 취득한 출력 정보를 응답 정보로 변환하는 변환부(12)와, 변환된 응답 정보를 출력하는 출력부(14)를 구비한다. 따라서, 다양한 가스 검출 장치(100)로부터 얻어지는 출력 정보를 1종의 응답 정보로 변환하여 출력할 수 있다. 따라서, 가스 검출 장치(100) 간의 상관을 취할 수 있다.(1) The conversion device 1 is a conversion layer cover that converts output information output from a predetermined gas detection device 100 for a predetermined odor molecule into response information indicating the response of the olfactory receptor 200. An output information acquisition unit 11 that acquires output information output from the gas detection device 100 for the odor molecules, and a plurality of output signals output from the plurality of gas detection devices 100 for each of the plurality of odor molecules and a plurality of output signals A conversion unit 12 that converts the acquired output information into response information based on response information indicating the response of the olfactory receptor 200 to each odor molecule, and an output unit 14 that outputs the converted response information. Equipped with Therefore, output information obtained from various gas detection devices 100 can be converted into one type of response information and output. Accordingly, correlation between the gas detection devices 100 can be obtained.
(2) 변환부(12)는, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 후각 수용체(200)의 응답을 나타내는 응답 정보로 변환한다. 기계 학습을 이용함으로써 변환 정밀도를 더욱 향상시킬 수 있다.(2) The conversion unit 12 uses output information output from the plurality of gas detection devices 100 for each of the plurality of odor molecules as an explanatory variable, and at the same time, the olfactory receptor 200 for each of the plurality of odor molecules The acquired output information is converted into response information representing the response of the olfactory receptor 200 using a machine-learned prediction model using response information representing the response of as the target variable. Transformation precision can be further improved by using machine learning.
(3) 변환부(12)는, 가스 검출 장치(100)로부터 출력되는 출력 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 제작된 변수를 설명 변수로서 기계 학습된 예측 모델을 이용한다. 이에 따라 변환 정밀도를 향상시킬 수 있다.(3) The conversion unit 12 is a numerical value, function, spatial or time series index, or characteristic quantity calculated using a mathematical, statistical, or machine learning method of the output information output from the gas detection device 100. A machine-learned prediction model is used with variables newly created through engineering as explanatory variables. Accordingly, conversion precision can be improved.
(4) 변환부(12)는, 후각 수용체(200)의 응답 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 제작된 변수를 목적 변수로서 기계 학습된 예상 모델을 이용한다. 이에 따라 변환 정밀도를 향상시킬 수 있다.(4) The conversion unit 12 converts the response information of the olfactory receptor 200 into a numerical value, function, spatial or time series index, or feature quantity calculated using a mathematical, statistical, or machine learning method. A machine-learned prediction model is used with the created variables as target variables. Accordingly, conversion precision can be improved.
(5) 변환부(12)는, 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보의 시계열 데이터 및 특징량 패턴 수를 설명 변수로 하고, 복수의 후각 수용체(200)의 응답 정보의 시계열 데이터 및 특징량 패턴 수를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 응답 정보로 변환한다. 이에 따라 변환 정밀도를 향상시킬 수 있다.(5) The conversion unit 12 uses the time series data and the number of characteristic quantity patterns of the output information output from the plurality of gas detection devices 100 as explanatory variables, and the time series data of the response information of the plurality of olfactory receptors 200. And the acquired output information is converted into response information using a machine-learned prediction model with the number of characteristic quantity patterns as an objective variable. Accordingly, conversion precision can be improved.
(6) 변환부(12)는, 복수의 가스 검출 장치(100)의 출력 정보의 유무를 설명 변수로서 기계 학습된 예측 모델을 이용한다. 이에 따라 변환 정밀도를 향상시킬 수 있다.(6) The conversion unit 12 uses a machine-learned prediction model as an explanatory variable for the presence or absence of output information of the plurality of gas detection devices 100. Accordingly, conversion precision can be improved.
(7) 변환부(12)는, 후각 수용체(200)에 포함되는 복수의 수용체의 반응의 유무를 목적 변수로서 기계 학습된 예측 모델을 이용한다. 이에 따라 변환 정밀도를 향상시킬 수 있다.(7) The conversion unit 12 uses a machine-learned prediction model as the target variable for the presence or absence of responses of a plurality of receptors included in the olfactory receptor 200. Accordingly, conversion precision can be improved.
(8) 변환 장치(1)는, 변환된 응답 정보에 의해 표시되는 정량화된 데이터로부터 소정의 냄새의 특징을 나타내는 문언을 추정하는 추정부(13)를 더 구비하고, 출력부(14)는 추정된 문언을 출력한다. 이에 의해, 응답 정보에 의해 표시되는 냄새의 특징을 나타내는 것에 가까운 문언을 얻을 수 있다. 따라서, 응답 정보를 냄새의 정보로서 감각적으로 얻을 수 있다.(8) The conversion device 1 further includes an estimation unit 13 for estimating a phrase representing the characteristics of a predetermined odor from the quantified data indicated by the converted response information, and the output unit 14 is configured to estimate Print out the text. In this way, it is possible to obtain text that is close to representing the characteristics of the smell indicated by the response information. Therefore, response information can be obtained sensuously as smell information.
[제2 실시형태][Second Embodiment]
다음으로, 본 발명의 제2 실시형태에 따른 예측 모델 제조 장치(2), 예측 모델 제작 방법 및 프로그램에 대하여, 도 7을 참조하여 설명한다. 제2 실시형태의 설명에 있어서, 전술한 실시형태와 동일한 구성 요건에 대해서는 동일한 부호를 붙이고, 그 설명을 생략 또는 간략화한다.Next, the prediction model manufacturing apparatus 2, the prediction model manufacturing method, and the program according to the second embodiment of the present invention will be described with reference to FIG. 7. In the description of the second embodiment, the same components as those of the above-described embodiment are given the same reference numerals, and the description is omitted or simplified.
제2 실시형태에 따른 예측 모델 제조 장치(2), 예측 모델 제작 방법 및 프로그램은 제1 실시형태에 따른 예측 모델을 제작하는 장치, 방법 및 프로그램이다.The prediction model manufacturing apparatus 2, the prediction model manufacturing method, and the program according to the second embodiment are the apparatus, method, and program for manufacturing the prediction model according to the first embodiment.
예측 모델 제작 장치(2)는, 소정의 냄새 분자에 대하여 가스 검출 장치(100)로부터 출력되는 출력 정보를 정량화된 데이터로 변환하는 예측 모델을 제작한다. 예측 모델 제작 장치(2)는, 도 6에 도시된 바와 같이 설명 변수 취득부(21)와, 목적 변수 취득부(22)와, 예측 모델 제작부(23)를 구비한다.The prediction model production device 2 creates a prediction model that converts output information output from the gas detection device 100 for a predetermined odor molecule into quantified data. As shown in FIG. 6 , the prediction model production device 2 includes an explanatory variable acquisition unit 21, a target variable acquisition unit 22, and a prediction model production unit 23.
설명 변수 취득부(21)는, 예를 들면 CPU가 동작함으로써 실현된다. 설명 변수 취득부(21)는 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보를 설명 변수로서 취득한다. 설명 변수 취득부(21)는, 예를 들면, 복수의 가스 검출 장치(100)(예를 들면 20종)의 출력의 합계치, 평균치, 반응의 유무, 각종 지표, 출력의 특징량과 가스 검출 장치(100)의 개수와의 곱, 시계열 데이터와 특징량 패턴 수와 가스 검출 장치(100)의 개수와의 곱 등을 출력 정보로 해도 좋다.The explanatory variable acquisition unit 21 is realized by, for example, operating a CPU. The explanation variable acquisition unit 21 acquires output information output from the plurality of gas detection devices 100 for each of the plurality of odor molecules as an explanation variable. The explanatory variable acquisition unit 21 may, for example, obtain the total value, average value, presence or absence of a reaction, various indicators, characteristic quantities of the outputs of a plurality of gas detection devices 100 (e.g., 20 types), and the gas detection device. The product of the number of (100), the product of the number of time series data and characteristic quantity patterns and the number of gas detection devices 100, etc. may be used as output information.
목적 변수 취득부(22)는, 예를 들면 CPU가 동작함으로써 실현된다. 목적 변수 취득부(22)는, 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로서 취득한다. 목적 변수 취득부(22)는, 예를 들면 후각 수용체(200)(예를 들면, 400 스팟)의 출력의 합계치, 평균치, 반응의 유무, 각종 지표, 출력의 특징량과 후각 수용체(200)의 스팟수의 곱, 시계열 데이터와 특징량 패턴수와 후각 수용체(200)의 스팟수와의 곱 등을 출력정보로 해도 좋다.The objective variable acquisition unit 22 is realized by, for example, operating a CPU. The target variable acquisition unit 22 acquires response information indicating the response of the olfactory receptor 200 to each of the plurality of odor molecules as a target variable. The target variable acquisition unit 22 may, for example, obtain the total value, average value, presence or absence of a response, various indices, characteristic quantities of the output, and the output of the olfactory receptor 200 (e.g., 400 spots). The output information may be the product of the number of spots, the product of the number of time series data and characteristic quantity patterns, and the number of spots of the olfactory receptor 200.
예측 모델 제작부(23)는, 예를 들면 CPU가 동작함으로써 실현된다. 예측 모델 작성부(23)는, 취득한 설명 변수와 취득한 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작한다. 예측 모델 제작부(23)는 상관 계수, 주 인자 분석, 및 로지스틱스 회귀 등을 이용하여 예측 모델을 제작한다.The prediction model production unit 23 is realized by, for example, operating a CPU. The prediction model creation unit 23 creates a prediction model by using the acquired explanatory variables and the acquired objective variables for machine learning. The prediction model production unit 23 produces a prediction model using correlation coefficients, main factor analysis, and logistic regression.
다음으로, 예측 모델 제작 장치(2)의 동작(예측 모델 제작 방법)을 설명한다. 우선, 설명 변수 취득부(21)는, 출력 정보를 설명 변수로서 취득한다. 그 후, 목적 변수 취득부(22)는 응답 정보를 목적 변수로서 취득한다. 이어서, 예측 모델 제작부(23)는 설명 변수 및 목적 변수를 이용하여 예측 모델을 작성한다.Next, the operation of the prediction model production device 2 (prediction model production method) will be described. First, the explanation variable acquisition unit 21 acquires output information as an explanation variable. After that, the object variable acquisition unit 22 acquires the response information as the object variable. Next, the prediction model production unit 23 creates a prediction model using the explanatory variables and target variables.
다음에, 본 실시형태의 프로그램에 대하여 설명한다. 예측 모델 제작 장치(2)에 포함되는 각 구성은, 하드웨어, 소프트웨어 또는 이들의 조합에 의해 각각 실현할 수 있다. 여기에서, 소프트웨어에 의해 실현된다는 것은 컴퓨터가 프로그램을 판독하여 실행함으로써 실현된다는 것을 의미한다.Next, the program of this embodiment will be described. Each configuration included in the prediction model production device 2 can be realized by hardware, software, or a combination thereof. Here, being realized by software means being realized by a computer reading and executing a program.
프로그램은 다양한 유형의 비 일시적인 컴퓨터 가독 매체(non-transitory computer readable medium)를 이용하여 저장되어 컴퓨터에 공급될 수 있다. 비 일시적인 컴퓨터 가독 매체는 다양한 유형의 실체가 있는 기록 매체(tangible storage medium)를 포함한다. 비 일시적인 컴퓨터 가독 매체의 예는, 자기 기록 매체(예를 들어, 플렉서블 디스크, 자기 테이프, 하드 디스크 드라이브), 광 자기 기록 매체(예를 들어, 광 자기 디스크), CD-ROM(Read Only Memory), CD-R, CD-R/W, 반도체 메모리(예를 들어, 마스크 ROM, PROM(Programmable ROM), EPROM(Erasable PROM), 플래쉬 ROM, RAM(random access memory))를 포함한다. 또한, 표시 프로그램은 다양한 유형의 일시적인 컴퓨터 가독 매체(transitory computer readable medium)에 의해 컴퓨터에 공급되어도 좋다. 일시적인 컴퓨터 가독 매체의 예는, 전기 신호, 광 신호, 및 전자파를 포함한다. 일시적인 컴퓨터 가독 매체는 전선 및 광섬유 등의 유선 통신로 또는 무선 통신로를 통해 프로그램을 컴퓨터에 공급할 수 있다.Programs may be stored and supplied to a computer using various types of non-transitory computer readable medium. Non-transitory computer-readable media includes various types of tangible storage media. Examples of non-transitory computer-readable media include magnetic recording media (e.g., flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (e.g., magneto-optical disks), and CD-ROM (Read Only Memory). , CD-R, CD-R/W, semiconductor memory (e.g., mask ROM, programmable ROM (PROM), erasable PROM (EPROM), flash ROM, random access memory (RAM)). Additionally, the display program may be supplied to the computer by various types of transitory computer readable medium. Examples of transient computer-readable media include electrical signals, optical signals, and electromagnetic waves. Temporary computer-readable media can supply programs to a computer through wired communication channels such as wires and optical fibers or wireless communication channels.
이상, 제2 실시형태에 관한 예측 모델 제작 장치(2), 예측 모델 제작 방법, 및 프로그램에 의하면, 이하의 효과를 나타낸다.As mentioned above, according to the prediction model production device 2, prediction model production method, and program according to the second embodiment, the following effects are achieved.
(7) 소정의 냄새 분자에 대하여 가스 검출 장치(100)로부터 출력되는 출력 정보를 정량화된 데이터로 변환하는 예측 모델을 제작하는 예측 모델 제작 장치(2)에 있어서, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득부(21)와, 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로서 취득하는 목적 변수 취득부(22)와, 취득한 설명 변수와 취득한 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부(23)를 구비한다. 이에 따라, 다양한 가스 검출 장치(100)로부터 얻어지는 출력 정보를 응답 정보로 변환하여 출력하는 예측 모델을 제작할 수 있다. 출력 정보를 응답 정보로 변환함으로써 정량화할 수 있으므로, 가스 검출 장치(100) 간의 상관을 취할 수 있는 변환 장치(1)를 구성할 수 있다.(7) In the prediction model production device (2), which creates a prediction model for converting the output information output from the gas detection device 100 for a given odor molecule into quantified data, a plurality of odor molecules for each of the plurality of odor molecules are provided. An explanation variable acquisition unit 21 that acquires output information output from the gas detection device 100 as an explanation variable, and response information indicating the response of the olfactory receptor 200 to each of the plurality of odor molecules is acquired as a target variable. It is provided with an objective variable acquisition unit 22 that produces a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning. Accordingly, it is possible to create a prediction model that converts output information obtained from various gas detection devices 100 into response information and outputs it. Since the output information can be quantified by converting it into response information, the conversion device 1 that can obtain correlation between the gas detection devices 100 can be configured.
[제3 실시형태][Third Embodiment]
다음으로, 본 발명의 제3 실시형태에 따른 변환 장치(1), 변환 정보 제작 방법, 및 프로그램에 대하여, 도 8 및 도 9를 참조하여 설명한다. 제3 실시형태의 설명에 있어서, 전술한 실시형태와 동일한 구성 요건에 대해서는 동일 부호를 붙이고, 그 설명을 생략 또는 간략화한다.Next, the conversion device 1, the conversion information production method, and the program according to the third embodiment of the present invention will be described with reference to FIGS. 8 and 9. In the description of the third embodiment, the same components as those of the above-described embodiment are given the same reference numerals, and the description is omitted or simplified.
제3 실시형태에 관한 변환 장치(1)는, 가스 검출 장치(100)로서 질량 분석 장치(가스 크로마토그래프 질량 분석 장치)를 이용하는 점에서 제1 및 제2 실시형태와 다르다. 또한, 제3 실시형태에 따른 변환 장치(1)는, 가스 검출 장치(100)(질량 분석 장치)의 출력을 출력 정보로 한다는 점에서 제1 및 제2 실시형태와 다르다. 제3 실시형태에 따른 변환 장치(1)는, 가스 검출 장치(100)로부터 출력되는, 질량 전하에 대한 강도 플롯의 집합을 출력 정보로서 취득한다. 변환 장치(1)는, 예를 들어 가스 검출 장치(100)에 의해 가스상의 화합물을 검출한 결과 얻어지는, 질량 전하에 대한 강도 플롯의 집합을 출력 정보로서 취득한다. 즉, 변환 장치(1)는, 가스 검출 장치(100)에 의해 가스상 화합물의 분자 구조를 특정하는 처리 전의, 가스 분자를 이온화했을 때에 발생하는 단편 이온의 (노이즈를 포함하는) 질량 전하의 데이터를 출력 정보로서 취득한다. 또한, 변환 장치(1)는, (노이즈를 포함하는) 질량 전하의 데이터를 설명 변수로 하는 예측 모델을 이용하여 출력 정보를 후각 수용체(200)의 응답 정보로 변환한다. 이에 따라, 변환 장치(1)는, 가스 검출 장치(100)에 따라 달라지는 장치의 특성에 관계없이 출력 정보를 후각 수용체의 응답 정보로 변환하는 것이다. 또한, 가스 검출 장치(100)는, 검출에 한정되지 않고, 포집, 측정, 및 분석하는 장치여도 좋다.The conversion device 1 according to the third embodiment differs from the first and second embodiments in that a mass spectrometer (gas chromatograph mass spectrometer) is used as the gas detection device 100. Additionally, the conversion device 1 according to the third embodiment differs from the first and second embodiments in that the output of the gas detection device 100 (mass spectrometry device) is used as output information. The conversion device 1 according to the third embodiment acquires a set of intensity plots for mass charge output from the gas detection device 100 as output information. The conversion device 1 acquires, for example, a set of intensity plots for mass charge, obtained as a result of detecting a gaseous compound by the gas detection device 100, as output information. That is, the conversion device 1 collects data on the mass charge (including noise) of fragment ions generated when ionizing gas molecules before processing to specify the molecular structure of the gaseous compound by the gas detection device 100. Obtained as output information. Additionally, the conversion device 1 converts the output information into response information of the olfactory receptor 200 using a prediction model that uses mass charge data (including noise) as an explanatory variable. Accordingly, the conversion device 1 converts the output information into response information of the olfactory receptor regardless of the characteristics of the device that vary depending on the gas detection device 100. In addition, the gas detection device 100 is not limited to detection, and may be a device that collects, measures, and analyzes.
다음으로, 제3 실시형태에 관한 실시예를 설명한다.Next, an example related to the third embodiment will be described.
(실시예 3)(Example 3)
가스 검출 장치(100)의 데이터 취득 방법은 냄새 분자 용액을 용매로 10000배 희석한 후, 1㎕를 주사기로 채취하고, 가스 검출 장치(100)에 투입하였다. 검출 시에 얻어지는 각 분자종의 질량 전하 데이터를 변환에 이용하였다. 후각 수용체 셀 어레이 센서의 실험 조건 및 실험 절차는 실시예 1과 동일하게 하였다.The data acquisition method for the gas detection device 100 was to dilute the odor molecule solution 10,000 times with a solvent, then collect 1 μl with a syringe and inject it into the gas detection device 100. The mass charge data of each molecular species obtained during detection was used for conversion. The experimental conditions and experimental procedures of the olfactory receptor cell array sensor were the same as in Example 1.
데이터 처리에서는, 실시예 1과 마찬가지로 랜덤 포레스트의 회귀로 모델을 제작하였다. 언어에는 파이썬을 이용하였다. 학습 방법은 지도 학습으로 하였다. 모델 평가는 결정 계수를 이용하였다. 가스 검출 장치(100)에서 취득한 질량 전하의 데이터 처리는, 도 8에 나타내는 바와 같이, 그래프화하고, 그 화상의 화소 마다의 강도를 판독하였다. 판독된 데이터를 출력 정보로 하였다. 가스 검출 장치(100)(질량 분석 장치)의 출력 정보를 설명 변수로 하고, 후각 수용체(200)의 응답을 나타내는 응답 정보를 목적 변수로 하였다.In data processing, like Example 1, a model was created using random forest regression. Python was used as the language. The learning method was supervised learning. Model evaluation used the coefficient of determination. The mass charge data acquired by the gas detection device 100 was processed into a graph, as shown in FIG. 8, and the intensity of each pixel of the image was read. The read data was used as output information. Output information from the gas detection device 100 (mass spectrometry device) was used as an explanatory variable, and response information representing the response of the olfactory receptor 200 was used as an objective variable.
그 결과, 도 9에 나타내는 바와 같이, 종축을 예상 모델로부터 출력되는 예측치(응답 정보), 횡축을 목적 변수의 실측치(후각 수용체(200) 발현 세포의 활성화도)로 하여, 회귀 결정 계수 0.828을 얻을 수 있었다.As a result, as shown in Figure 9, the vertical axis is the predicted value (response information) output from the prediction model, and the abscissa is the actual measured value of the target variable (activation degree of cells expressing olfactory receptor 200), and a regression determination coefficient of 0.828 is obtained. I was able to.
이상, 제3 실시형태에 따른 예측 모델 제작 장치(2), 예측 모델 제작 방법, 및 프로그램에 의하면, 이하의 효과를 나타낸다.As mentioned above, according to the prediction model production device 2, prediction model production method, and program according to the third embodiment, the following effects are achieved.
(8) 변환부(12)는, 가스 검출 장치(100)로서 질량 분석 장치의 출력 신호를 출력 정보로서 이용하였다. 이에 따라, 질량 분석 장치에 대해서도, 출력 정보를 응답 정보로 변환함으로써 가스 검출 장치(100) 간의 상관을 취할 수 있다. 특히, 변환부(12)는, (노이즈를 포함하는) 질량 전하의 데이터를 출력 정보로서 이용함으로써, 분자 구조를 특정한 후의 데이터를 출력 정보로서 이용하는 경우에 비해, 가스상의 화합물의 포집으로부터 후각 수용체(200)의 응답을 나타내는 응답 정보로의 변환까지의 시간을 짧게 할 수 있다. 또한, 분자 구조를 특정한 후의 데이터를 출력 정보로서 이용하는 경우에 비해, 보다 검출 후의 데이터(원시 데이터)에 가까운 데이터를 이용하므로, 보다 결정 계수가 높은(정밀도가 좋은) 변환 장치(1)를 제공할 수 있다.(8) The conversion unit 12 used the output signal of the mass spectrometer as the gas detection device 100 as output information. Accordingly, even for mass spectrometry devices, correlation between gas detection devices 100 can be obtained by converting output information into response information. In particular, the conversion unit 12 uses mass charge data (including noise) as output information, so that compared to the case where data after specifying the molecular structure is used as output information, the olfactory receptor ( The time until conversion into response information representing the response 200) can be shortened. In addition, compared to the case where data after specifying the molecular structure is used as output information, data closer to the data after detection (raw data) is used, thereby providing a conversion device (1) with a higher coefficient of determination (good precision). You can.
이상, 본 발명의 변환 장치, 예측 모델 제작 장치, 변환 정보 제작 방법, 예측 모델 제작 방법, 및 프로그램의 바람직한 각 실시형태에 대해 설명했지만, 본 개시는 상술한 실시형태에 한정되는 것은 아니며, 적절히 변경이 가능하다.In the above, preferred embodiments of the conversion device, prediction model production device, conversion information production method, prediction model production method, and program of the present invention have been described. However, the present disclosure is not limited to the above-described embodiments and may be modified as appropriate. This is possible.
예를 들면, 상기 실시형태에 있어서, 후각 수용체(200)의 응답을 설명 변수로 하고, 가스 검출 장치(100)의 출력을 목적 변수로 해도 좋다. 즉, 변환 장치(1)는 소정의 냄새 분자에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 가스 검출 장치(100)로부터 출력되는 정량화된 데이터로 변환해도 좋다. 구체적으로는, 변환 장치(1)는, 소정의 냄새 분자에 대하여 후각 수용체(200)의 응답을 나타내는 응답 정보를 취득하는 응답 정보 취득부(도시하지 않음)와, 복수의 냄새 분자 각각에 대한 후각 수용체(200)의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 장치(100)로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를 가스 검출 장치(100)로부터 출력되는 출력 정보로 변환하는 변환부(12)와, 변환된 출력 정보를 출력하는 출력부(14)를 구비해도 좋다. 이에 따라, 후각 수용체(200)의 응답 정보를 이용하여 가스 검출 장치(100)를 설계할 수 있다. 예를 들면, 소정 범위의 응답 정보에 반응하는 가스 검출 장치(100)의 설계에 이용할 수 있다. 즉, 후각 수용체(200)의 응답을 미터원기로서 이용할 수 있다.For example, in the above embodiment, the response of the olfactory receptor 200 may be used as an explanatory variable, and the output of the gas detection device 100 may be used as an objective variable. That is, the conversion device 1 may convert response information indicating the response of the olfactory receptor 200 to a predetermined odor molecule into quantified data output from the gas detection device 100. Specifically, the conversion device 1 includes a response information acquisition unit (not shown) that acquires response information indicating the response of the olfactory receptor 200 to a predetermined odor molecule, and an olfactory sensor for each of a plurality of odor molecules. Response information representing the response of the receptor 200 is used as an explanatory variable, and output information output from the plurality of gas detection devices 100 for each of the plurality of odor molecules is used as the objective variable using a machine-learned prediction model. , a conversion unit 12 that converts the acquired response information into output information output from the gas detection device 100 and an output unit 14 that outputs the converted output information may be provided. Accordingly, the gas detection device 100 can be designed using the response information of the olfactory receptor 200. For example, it can be used to design a gas detection device 100 that responds to response information in a predetermined range. In other words, the response of the olfactory receptor 200 can be used as a meter source.
또한, 상기 실시형태에 있어서, 변환 장치(1)는, 가스 검출 장치(100)의 출력 정보로부터 변환된 응답 정보가 소정의 범위로부터 벗어나는 경우에, 가스 검출 장치(100)의 고장이라고 판단하는 판단부(도시하지 않음)를 구비해도 좋다. 출력부(14)는 판단부의 판단 결과를 출력해도 좋다. 이에 따라, 변환 장치(1)의 범용성을 향상시킬 수 있다.Additionally, in the above embodiment, the conversion device 1 determines that the gas detection device 100 is malfunctioning when the response information converted from the output information of the gas detection device 100 deviates from a predetermined range. It may be provided with a part (not shown). The output unit 14 may output the judgment result of the judgment unit. Accordingly, the versatility of the conversion device 1 can be improved.
또한, 상기 실시형태에 있어서, 가스 냄새에 따라 노출되는 가스 검출 장치(100)를 변경해도 좋다. 예를 들면, 가스의 냄새에 반응하는(반응이 좋은) 가스 검출 장치(100)로부터의 출력을 출력 정보로 해도 좋다. 이에 따라, 학습 효율을 향상시킬 수 있다. 또한, 가스 검출 장치(100) 마다 장단점을 가미한 유연한 변환 장치(1)를 구축할 수 있다.Additionally, in the above embodiment, the gas detection device 100 exposed may be changed depending on the gas odor. For example, the output from the gas detection device 100 that responds to the smell of gas (responses well) may be used as output information. Accordingly, learning efficiency can be improved. Additionally, it is possible to construct a flexible conversion device (1) that takes into account the pros and cons of each gas detection device (100).
또한, 상기 제3 실시형태에 있어서, 가스 검출 장치(100)로서 가스 크로마토그래피 질량 분석 장치를 이용하였지만, 이에 한정되지 않는다. 가스 검출 장치(100)로서, 가스 크로마토그래피를 구비하지 않는 장치여도 좋다. 또한, 가스 검출 장치(100)는 직접 이온화 질량 분석 장치(DART-MS)여도 좋다. 가스 검출 장치(100)는 대기압으로 분석하는 대기압 질량 분석 장치여도 좋다.Additionally, in the third embodiment, a gas chromatography mass spectrometer was used as the gas detection device 100, but the present invention is not limited thereto. The gas detection device 100 may be a device that does not include gas chromatography. Additionally, the gas detection device 100 may be a direct ionization mass spectrometer (DART-MS). The gas detection device 100 may be an atmospheric pressure mass spectrometer that performs analysis at atmospheric pressure.
또한, 상기 제1 실시형태에서, 추정부(13)는 냄새의 특징(관능성)을 나타내는 문언을 추정한다고 하였지만, 이에 한정되지 않는다. 추정부(13)는 후각 수용체(200)의 응답인 변환용 응답정보와 연관된 정보라면, 다양한 정보를 추정할 수 있다. 구체적으로는, 추정부(13)는, 예를 들면, 냄새의 강도, 냄새를 느낄 때에 상기되는 색, 냄새의 쾌적 또는 불쾌, 또는 코에 익숙함의 유무를 추정할 수 있다.In addition, in the first embodiment, it is said that the estimating unit 13 estimates words indicating the characteristics (sensuality) of the smell, but it is not limited to this. The estimation unit 13 can estimate various pieces of information as long as it is information related to the response information for conversion, which is the response of the olfactory receptor 200. Specifically, the estimation unit 13 can estimate, for example, the intensity of the smell, the color that comes to mind when sensing the smell, whether the smell is pleasant or unpleasant, or whether the smell is familiar to the nose.
또한, 상기 실시형태에 있어서, 변환부(12)는 기계 학습된 예측 모델을 이용하여 변환한다고 하였지만, 이에 한정되지 않는다. 변환부(12)는 기계 학습된 예측 모델을 이용하지 않고 변환해도 좋다.In addition, in the above embodiment, it is said that the conversion unit 12 performs conversion using a machine-learned prediction model, but the conversion is not limited to this. The conversion unit 12 may perform conversion without using a machine-learned prediction model.
또한, 상기 실시형태에 있어서, 변환 장치(1)는, 예측(변환)된 후각 수용체(200)의 응답 정보를, 다른 장치에 전송하여 2차 이용되도록 해도 좋다.Additionally, in the above embodiment, the conversion device 1 may transmit the predicted (converted) response information of the olfactory receptor 200 to another device for secondary use.
1 변환 장치
2 예측 모델 제작 장치
11 출력 정보 취득부
12 변환부
13 추정부
14 출력부
21 설명 변수 취득부
22 목적 변수 취득부
23 예측 모델 제작부
100 가스 검출 장치
200 후각 수용체1 conversion device
2 Predictive model production device
11 Output information acquisition unit
12 conversion unit
13 Estimation Department
14 output unit
21 Explanation variable acquisition section
22 Purpose variable acquisition section
23 Prediction Model Production Department
100 gas detection device
200 Olfactory Receptors
Claims (20)
소정의 냄새 분자에 대하여 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득부와,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 신호와 상기 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보에 기초하여, 취득한 출력 정보를 상기 응답 정보로 변환하는 변환부와,
변환된 상기 응답 정보를 출력하는 출력부,
를 구비하는 변환 장치.In the conversion device that converts output information output from a device having a gas detection function for a predetermined odor molecule into response information representing the response of the olfactory receptor,
an output information acquisition unit that acquires output information output from the device having the gas detection function for a predetermined odor molecule;
Based on the output signals output from the plurality of devices having the gas detection function for each of the plurality of odor molecules and response information indicating the response of the olfactory receptor to each of the plurality of odor molecules, the acquired output information is converted to the response information. A conversion unit that converts,
An output unit that outputs the converted response information,
A conversion device comprising:
상기 변환부는, 복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 상기 후각 수용체의 응답을 나타내는 응답 정보로 변환하는, 변환 장치.According to paragraph 1,
The conversion unit uses output information output from the plurality of devices having the gas detection function for each of a plurality of odor molecules as an explanatory variable, and provides response information indicating the response of the olfactory receptor to each of the plurality of odor molecules. A conversion device that converts acquired output information into response information representing the response of the olfactory receptor, using a machine-learned prediction model as a variable.
상기 변환부는, 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는, 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 작성된 변수를 설명 변수로서 기계 학습된 예측 모델을 이용하는, 변환 장치.According to paragraph 2,
The conversion unit is a numerical value, a function, a spatial or time series index, or a feature quantity calculated using a mathematical, statistical, or machine learning method of the output information output from the device having the gas detection function, or a newly created feature quantity engineering. A transformation device that uses a machine-learned prediction model with variables as explanatory variables.
상기 변환부는, 상기 후각 수용체의 응답 정보의 수학적, 통계학적, 또는 기계 학습적 방법을 이용하여 산출되는, 수치, 함수, 공간적 또는 시계열적 지표, 또는 특징량 엔지니어링으로 새롭게 작성된 변수를 목적 변수로서 기계 학습된 예상 모델을 이용하는, 변환 장치.According to paragraph 2 or 3,
The conversion unit uses a numerical value, function, spatial or time-series index, or a variable newly created through feature engineering calculated using mathematical, statistical, or machine learning methods of the response information of the olfactory receptor as the target variable. A conversion device that uses a learned prediction model.
상기 변환부는, 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보의 시계열 데이터 및 특징량 패턴 수를 설명 변수로 하고, 복수의 상기 후각 수용체의 응답 정보의 시계열 데이터 및 특징량 패턴 수를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 응답 정보로 변환하는, 변환 장치.According to any one of claims 1 to 4,
The conversion unit uses as explanatory variables the time series data and the number of characteristic quantity patterns of output information output from the plurality of devices having the gas detection function, and the time series data and the number of characteristic quantity patterns of the response information of the plurality of olfactory receptors as its purpose. A conversion device that converts acquired output information into response information using a machine-learned prediction model as a variable.
상기 변환부는, 복수의 가스 검출 기능을 갖는 장치의 출력 정보의 유무를 설명 변수로서 기계 학습된 예측 모델을 이용하는, 변환 장치.According to any one of claims 1 to 5,
The conversion unit uses a machine-learned prediction model as an explanatory variable for the presence or absence of output information of a device having a plurality of gas detection functions.
상기 변환부는, 상기 후각 수용체에 포함되는 복수의 수용체의 반응의 유무를 목적 변수로서 기계 학습된 예측 모델을 이용하는, 변환 장치.According to any one of claims 1 to 6,
The conversion unit is a conversion device that uses a machine-learned prediction model using the presence or absence of responses of a plurality of receptors included in the olfactory receptor as an objective variable.
상기 변환부는, 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보의 질량 전하 및 강도를 설명 변수로서 기계 학습된 예측 모델을 이용하는, 변환 장치.According to paragraph 2,
The conversion unit uses a machine-learned prediction model using the mass charge and intensity of output information output from the device with the gas detection function as explanatory variables.
변환된 응답 정보로부터 소정의 냄새의 특징을 나타내는 문언을 추정하는 추정부를 더 구비하고,
상기 출력부는, 추정된 문언을 출력하는, 변환 장치.According to any one of claims 1 to 8,
further comprising an estimation unit for estimating a phrase representing the characteristics of a predetermined odor from the converted response information;
A conversion device wherein the output unit outputs the estimated text.
소정의 냄새 분자에 대하여 상기 후각 수용체의 응답을 나타내는 응답 정보를 취득하는 응답 정보 취득부와,
복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 상기 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환부와,
변환된 상기 출력 정보를 출력하는 출력부,
를 구비하는 변환 장치.A conversion device that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function,
a response information acquisition unit that acquires response information indicating a response of the olfactory receptor to a predetermined odor molecule;
Response information indicating the response of the olfactory receptor to each of the plurality of odor molecules is used as an explanatory variable, and output information output from a device having a plurality of gas detection functions for each of the plurality of odor molecules is used as an objective variable. a conversion unit that converts the acquired response information into output information output from a device with a gas detection function using the learned prediction model;
An output unit that outputs the converted output information,
A conversion device comprising:
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득부와,
복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 취득하는 목적 변수 취득부와,
취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부,
를 구비하는 예측 모델 제작 장치.In the prediction model production device for producing a prediction model that converts output information output from a device having a gas detection function for a given odor molecule into response information representing the response of the olfactory receptor,
an explanation variable acquisition unit that acquires, as an explanation variable, output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules;
a target variable acquisition unit that acquires response information representing the response of the olfactory receptor to each of a plurality of odor molecules as a target variable;
A prediction model production unit that produces a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning;
A prediction model production device comprising:
복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로서 취득하는 설명 변수 취득부와,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 취득하는 목적 변수 취득부와,
취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부,
를 구비하는 예측 모델 제작 장치.A prediction model production device for producing a prediction model that converts response information indicating the response of an olfactory receptor to a given odor molecule into output information output from a device having a gas detection function, comprising:
an explanatory variable acquisition unit that acquires response information indicating a response of the olfactory receptor to each of a plurality of odor molecules as an explanatory variable;
a target variable acquisition unit that acquires, as a target variable, output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules;
A prediction model production unit that produces a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning;
A prediction model production device comprising:
소정의 냄새 분자에 대하여 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득 단계와,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 상기 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 상기 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 변환 단계와,
변환된 상기 응답 정보를 변환 정보로서 출력하는 출력 단계,
를 구비하는 변환 정보 제작 방법.A conversion information production method for producing conversion information by converting output information output from a device having a predetermined gas detection function for a predetermined odor molecule into response information representing the response of an olfactory receptor, comprising:
An output information acquisition step of acquiring output information output from the device having the gas detection function for a predetermined odor molecule;
Output information output from the device having the gas detection function for each of the plurality of odor molecules is used as an explanatory variable, and response information indicating the response of the olfactory receptor to each of the plurality of odor molecules is the target variable. A conversion step of converting the acquired output information into response information representing the response of the olfactory receptor using a machine-learned prediction model;
An output step of outputting the converted response information as conversion information,
A method of producing conversion information comprising:
소정의 냄새 분자에 대하여 상기 후각 수용체의 응답을 나타내는 응답 정보를 취득하는 응답 정보 취득 단계와,
복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환 단계와,
변환된 상기 응답 정보를 변환 정보로서 출력하는 출력 단계,
를 구비하는 변환 정보 제작 방법.A conversion information production method for producing conversion information by converting response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, comprising:
A response information acquisition step of acquiring response information indicating a response of the olfactory receptor to a predetermined odor molecule;
Response information representing the response of the olfactory receptor to each of a plurality of odor molecules is used as an explanatory variable, and output information output from a device having a plurality of gas detection functions for each of a plurality of odor molecules is used as an objective variable for machine learning. A conversion step of converting the acquired response information into output information output from the device having the gas detection function, using the predicted model,
An output step of outputting the converted response information as conversion information,
A method of producing conversion information comprising:
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득 단계와,
복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 취득하는 목적 변수 취득 단계와,
취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작 단계,
를 구비하는 예측 모델 제작 방법.In the prediction model production method for producing a prediction model that converts output information from a device with a gas detection function to response information representing the response of the olfactory receptor for a given odor molecule,
An explanation variable acquisition step of acquiring output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules as an explanation variable;
A target variable acquisition step of acquiring response information representing the response of the olfactory receptor to each of a plurality of odor molecules as a target variable;
A prediction model production step of producing a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning,
A method of producing a prediction model comprising:
복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로서 취득하는 설명 변수 취득 단계와,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 취득하는 목적 변수 취득 단계와,
취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써, 예측 모델을 제작하는 예측 모델 제작 단계,
를 구비하는 예측 모델 제작 방법.A prediction model production method for producing a prediction model that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, comprising:
An explanatory variable acquisition step of acquiring response information representing the response of the olfactory receptor to each of a plurality of odor molecules as an explanatory variable;
A target variable acquisition step of acquiring output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules as a target variable;
A prediction model production step of producing a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning,
A method of producing a prediction model comprising:
상기 컴퓨터를,
소정의 냄새 분자에 대하여 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 취득하는 출력 정보 취득부,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 출력 정보를 상기 후각 수용체의 응답을 나타내는 응답 정보로 변환하는 변환부,
변환된 상기 응답 정보를 출력하는 출력부,
로서 기능시키는 프로그램.In a program that operates a computer as a conversion device that converts output information output from a device having a predetermined gas detection function for a predetermined odor molecule into response information representing the response of the olfactory receptor, comprising:
The computer,
an output information acquisition unit that acquires output information output from the device having the gas detection function for a predetermined odor molecule;
Output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules is used as an explanatory variable, and response information indicating the response of the olfactory receptor to each of a plurality of odor molecules is used as an objective variable for machine learning. A conversion unit that converts the acquired output information into response information representing the response of the olfactory receptor using the predicted model,
An output unit that outputs the converted response information,
A program that functions as a.
상기 컴퓨터를,
소정의 냄새 분자에 대하여 상기 후각 수용체의 응답을 나타내는 응답 정보를 취득하는 출력 정보 취득부,
복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로 함과 동시에, 복수의 냄새 분자 각각에 대한 복수의 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 기계 학습된 예측 모델을 이용하여, 취득된 응답 정보를 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보로 변환하는 변환부,
변환된 상기 응답 정보를 출력하는 출력부,
로서 기능시키는 프로그램.A program that causes a computer to function as a conversion device that converts response information indicating the response of an olfactory receptor to a predetermined odor molecule into output information output from a device having a gas detection function, comprising:
The computer,
an output information acquisition unit that acquires response information indicating a response of the olfactory receptor to a predetermined odor molecule;
Response information representing the response of the olfactory receptor to each of a plurality of odor molecules is used as an explanatory variable, and output information output from a device having a plurality of gas detection functions for each of a plurality of odor molecules is used as an objective variable for machine learning. A conversion unit that converts the acquired response information into output information output from the device having the gas detection function, using the predicted model,
An output unit that outputs the converted response information,
A program that functions as a.
상기 컴퓨터를,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 설명 변수로서 취득하는 설명 변수 취득부,
복수의 상기 복수의 냄새 분자 각각에 대한 후각 수용체의 응답을 나타내는 응답 정보를 목적 변수로서 취득하는 목적 변수 취득부,
취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부,
로서 기능시키는 프로그램.In a program that makes a computer function as a prediction model production device that creates a prediction model that converts output information from a device with a gas detection function to response information representing the response of the olfactory receptor for a given odor molecule, comprising:
The computer,
An explanation variable acquisition unit that acquires, as an explanation variable, output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules;
a target variable acquisition unit that acquires response information indicating the response of the olfactory receptor to each of the plurality of odor molecules as a target variable;
A prediction model production unit that produces a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning;
A program that functions as a.
상기 컴퓨터를,
복수의 냄새 분자 각각에 대한 상기 후각 수용체의 응답을 나타내는 응답 정보를 설명 변수로서 취득하는 설명 변수 취득부,
복수의 냄새 분자 각각에 대한 복수의 상기 가스 검출 기능을 갖는 장치로부터 출력되는 출력 정보를 목적 변수로서 취득하는 목적 변수 취득부,
취득한 상기 설명 변수와 취득한 상기 목적 변수를 기계 학습에 이용함으로써 예측 모델을 제작하는 예측 모델 제작부,
로서 기능시키는 프로그램.
In a program that makes a computer function as a prediction model production device that creates a prediction model that converts response information indicating the response of an olfactory receptor to a given odor molecule into output information output from a device with a gas detection function, comprising:
The computer,
An explanatory variable acquisition unit that acquires response information representing the response of the olfactory receptor to each of a plurality of odor molecules as an explanatory variable,
a target variable acquisition unit that acquires output information output from a plurality of devices having the gas detection function for each of a plurality of odor molecules as a target variable;
A prediction model production unit that produces a prediction model by using the acquired explanatory variables and the acquired objective variable for machine learning;
A program that functions as a.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2021-031067 | 2021-02-26 | ||
| JP2021031067 | 2021-02-26 | ||
| PCT/JP2022/008416 WO2022181819A1 (en) | 2021-02-26 | 2022-02-28 | Conversion device, prediction model preparation device, conversion information preparation method, prediction model preparation method, and program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230150296A true KR20230150296A (en) | 2023-10-30 |
Family
ID=83049381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237029243A KR20230150296A (en) | 2021-02-26 | 2022-02-28 | Conversion device, prediction model production device, conversion information production method, prediction model production method, and program |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20240142423A1 (en) |
| EP (1) | EP4296666A1 (en) |
| JP (1) | JP7208697B1 (en) |
| KR (1) | KR20230150296A (en) |
| CN (1) | CN116940839A (en) |
| CA (1) | CA3209887A1 (en) |
| TW (1) | TW202240141A (en) |
| WO (1) | WO2022181819A1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170085796A (en) | 2016-01-15 | 2017-07-25 | 서병대 | Nursery bed machine |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004048937A2 (en) * | 2002-11-25 | 2004-06-10 | Tufts University | Electro-optical nucleic acid-based sensor array and method for detecting analytes |
| US8152992B2 (en) * | 2004-08-31 | 2012-04-10 | University Of Maryland | Cell-based sensing: biological transduction of chemical stimuli to electrical signals (nose-on-a-chip) |
| JP2011011869A (en) | 2009-07-02 | 2011-01-20 | Toppan Printing Co Ltd | Substrate buffer device |
| US10379092B2 (en) * | 2013-05-21 | 2019-08-13 | Alon Daniel GAFSOU | System and method for scent perception measurements and for construction of a scent database |
| EP2873971A1 (en) * | 2013-07-01 | 2015-05-20 | Universiti Putra Malaysia | An artificial olfactory system and an application thereof |
| WO2017085796A1 (en) * | 2015-11-17 | 2017-05-26 | 株式会社アロマビット | Odor sensor and odor measurement system |
| EP3670656A4 (en) * | 2017-08-17 | 2021-10-13 | Komi Hakko Corporation | Method for quantifying odors, cells used in same, and method for producing said cells |
| JPWO2019163966A1 (en) * | 2018-02-26 | 2021-02-25 | 日本電気株式会社 | Odor detection device, odor detection method, and program |
| JP7276450B2 (en) * | 2019-06-19 | 2023-05-18 | 日本電気株式会社 | Prediction model re-learning device, prediction model re-learning method and program |
| JP6807587B2 (en) * | 2020-02-05 | 2021-01-06 | 株式会社島津製作所 | Smell evaluation method and odor evaluation device |
-
2022
- 2022-02-28 US US18/278,685 patent/US20240142423A1/en active Pending
- 2022-02-28 KR KR1020237029243A patent/KR20230150296A/en unknown
- 2022-02-28 WO PCT/JP2022/008416 patent/WO2022181819A1/en active Application Filing
- 2022-02-28 CN CN202280017252.8A patent/CN116940839A/en active Pending
- 2022-02-28 CA CA3209887A patent/CA3209887A1/en active Pending
- 2022-02-28 EP EP22759852.1A patent/EP4296666A1/en active Pending
- 2022-02-28 JP JP2022535213A patent/JP7208697B1/en active Active
- 2022-03-01 TW TW111107330A patent/TW202240141A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170085796A (en) | 2016-01-15 | 2017-07-25 | 서병대 | Nursery bed machine |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240142423A1 (en) | 2024-05-02 |
| JP7208697B1 (en) | 2023-01-19 |
| CN116940839A (en) | 2023-10-24 |
| JPWO2022181819A1 (en) | 2022-09-01 |
| CA3209887A1 (en) | 2022-09-01 |
| EP4296666A1 (en) | 2023-12-27 |
| WO2022181819A1 (en) | 2022-09-01 |
| TW202240141A (en) | 2022-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vlasov et al. | Nonspecific sensor arrays (" electronic tongue") for chemical analysis of liquids (IUPAC Technical Report) | |
| Pan et al. | Nanokit for single-cell electrochemical analyses | |
| JP7365339B2 (en) | Utilization of electronic nose-based analysis of odorants | |
| Bougrini et al. | Aging time and brand determination of pasteurized milk using a multisensor e-nose combined with a voltammetric e-tongue | |
| Wang et al. | UV–Vis and ATR–FTIR spectroscopic investigations of postmortem interval based on the changes in rabbit plasma | |
| Behkami et al. | Classification of cow milk using artificial neural network developed from the spectral data of single-and three-detector spectrophotometers | |
| KR20210116278A (en) | Gas sensing device and method for operating a gas sensing device | |
| Zhu et al. | Optical sensory arrays for the detection of urinary bladder cancer‐related volatile organic compounds | |
| Tian et al. | Rapid detection of acid neutralizers adulteration in raw milk using FGC E-nose and chemometrics | |
| KR20230150296A (en) | Conversion device, prediction model production device, conversion information production method, prediction model production method, and program | |
| CN113340943B (en) | Method for analyzing odor type and odor intensity in water body based on fingerprint | |
| Azcarate et al. | NADES-modified voltammetric sensors and information fusion for detection of honey heat alteration | |
| US11532382B2 (en) | Information processing apparatus, information processing method, and storage medium | |
| Zhang et al. | A preliminary study on early postmortem submersion interval (PMSI) estimation and cause-of-death discrimination based on nontargeted metabolomics and machine learning algorithms | |
| US20220036973A1 (en) | Machine learning for protein identification | |
| CN116953184A (en) | Construction method of residual chlorine online detection model and residual chlorine concentration online detection method | |
| De Zanet et al. | Impedance biosensor for real-time monitoring and prediction of thrombotic individual profile in flowing blood | |
| Głowacz et al. | Comparison of various data analysis techniques applied for the classification of oligopeptides and amino acids by voltammetric electronic tongue | |
| Vinaixa et al. | A fuzzy ARTMAP-and PLS-based MS e-nose for the qualitative and quantitative assessment of rancidity in crisps | |
| Soh et al. | A comparison between the human sense of smell and neural activity in the olfactory bulb of rats | |
| Nakamoto | Odor sensing system with multi-dimensional data analysis | |
| Savić et al. | Decomposition of complex fluorescence spectra containing components with close emission maxima positions and similar quantum yields. Application to fluorescence spectra of proteins | |
| Chennoju et al. | Classified Volatile Organic Compound Detection using Data Classification Algorithms | |
| Lafhala et al. | Development of a New Instrumental Measurement of Odorous VOCs Based On Precise Fingerprints Obtained by a Multitude of Biosensors | |
| Roppel et al. | Biologically-inspired pattern recognition for odor detection |